买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：淮阴工学院

摘要：本发明公开了一种基于多尺度时空图变换网络的海上风电功率预测方法及装置，首先，采集海上多个风电场的历史数据，进行小样本增强；其次，建立由多时间尺度自相关特征提取模块、时空特征提取模块和预测输出模块组成的多尺度时空图变换网络模型MSSTGTN，自适应地提取高分辨率历史数据中不同时间尺度的自相关特征，通过时空特征提取模块中的混合膨胀图卷积网络和变体Transformer来提取复杂的时空特征，最后通过预测输出模块预测风电功率；采用多目标贝叶斯算法优化模型的超参数以及时间与形状失真损失函数的权重，从而得到更准确的风电功率预测结果。本发明捕捉复杂的时空关系，考虑多个目标指标，适应海上风电场的动态变化，提高预测的准确性和稳定性。

主权项：1.一种基于多尺度时空图变换网络的海上风电功率预测方法，其特征在于，包括以下步骤：1采集海上多个风电场的历史数据，并对历史数据进行小样本增强，获取高分辨率历史数据；2构建多尺度时空图变换网络模型MSSTGTN，所述MSSTGTN模型包括多时间尺度自相关特征提取模块，时空特征提取模块以及预测输出模块；3利用多时间尺度自相关特征提取模块对经过数据增强的高分辨率历史数据构造不同预测时间长度的卷积算子，自适应地提取高分辨率历史数据中不同时间尺度的自相关特征；4通过时空特征提取模块中的混合膨胀图卷积网络和变体Transformer网络来提取复杂的时空特征；并引入门控融合机制模块来增强MSSTGTN模型对数据中时空交融性的学习能力；5在MSSTGTN模型中引入无导数优化算法对模型超参数进行动态调整，引入时间与形状失真损失函数作为MSSTGTN模型的附加损失函数，采用多目标贝叶斯算法建立最小化时间与形状失真损失函数的优化目标函数，优化MSSTGTN模型的超参数以及时间与形状失真损失函数的权重；6将所提取到的自相关特征和时空特征通过预测输出模块输出预测风电功率，得到预测结果；步骤1所述历史数据包括历史风电功率数据、数值天气预报系统数据、地理潜在依赖数据序列、邻近数据序列、周期性重复数据序列以及历史气象要素数据序列；所述步骤3实现过程如下：通过多时间尺度自相关特征提取模块的一维卷积算子自适应提取不同时间尺度的风速数据的自相关特征，作为后续时空特征提取模块的输入特征，其中，一维卷积算子数学公式描述如下： 其中，F表示激活函数，表示输入的高分辨历史数据向量，表示特征映射的偏差，是第k个卷积核的权重，L是卷积算子的长度，是由L和步长S确定的高分辨率历史数据的元素；所述步骤4包括以下步骤：41时空特征提取模块包括四个时空卷积块，分别对地理潜在依赖数据序列、邻近数据序列、周期性重复数据序列以及历史气象要素数据序列进行特征提取，每个时空卷积块都包含一个空间特征提取子模块、一个时间特征提取子模块和一个门控融合机制模块；42利用空间特征提取子模块中的混合膨胀图卷积网络自适应捕获区域内风电机组之间的空间依赖性；43利用时间特征提取子模块中的变体Transformer网络有效捕捉时间序列中不同时间尺度下的时间依赖性；44在时空特征提取模块的门控融合机制模块中，第一层的输入为上一层的输出，然后依次叠加；输入矩阵Hl分别进入空间特征提取子模块、时间特征提取子模块以及两个Linear层，然后将从空间和时间两个特征提取子模块输出的结果分别和权重矩阵进行点乘，将两个点乘后的结果求和得到输出Hl+1：Hl+1＝z⊙Xξ+1-z⊙XτT2z＝σLinearHl+LinearHlT3其中，z表示门控融合机制模块中两个Linear层的比例；45对于每个子模块，在每个网络层的输入和输出之间添加一个恒等映射，即不对原始输入做任何改变，只对输出求和，残差块输出的表达式如下：Hx＝Fx+x4其中，x表示残差块的输入，Hx表示残差块的输出，Fx表示添加的恒等映射；步骤42中所述空间特征提取子模块的具体步骤如下：421将区域内风电机组之间的位置信息抽象为图G＝V,E,A，其中V和E分别代表风电机组的节点和节点之间的连接，A是风电机组之间具有欧氏距离的邻接矩阵，矩阵中元素的具体计算式如下： 其中，vi和vj代表区域内任意两个节点i和j，0,1表示节点i和节点j之间的关联程度值Ai,j的大小在0～1范围内；422关于t时刻的图G中的输入数据，整个图的信号表示为x∈RN×C，并且卷积核定义为gθL，gθL在傅里叶域中卷积的公式为：gθL*x＝UgθUTx6其中，θ为模型的参数，U为归一化拉普拉斯矩阵的特征向量，UTx表示对x的傅里叶变换；通过卷积核gθ提取图中每个节点的0到K－1阶邻域的信息；最后的卷积公式表示为： 其中，为递归公式Tkx＝2Tk-1x-Tk-2x的最大特征值，其中T0＝1，T1＝x；423将得到的图卷积核作用在图G的每一个节点上，捕获到图中的一阶相邻信息；混合膨胀图卷积网络由一层混合膨胀卷积层和一层Add-Norm共同构成，在混合膨胀图卷积网络之后添加一个前馈神经网络层，空间特征提取子模块的前馈神经网络层表示为：FFNxm＝max0,xmW1+b1W2+b28其中，xm∈RN×T为输入矩阵；所述步骤43包括以下步骤：431在时间维度上进行建模，变体Transformer网络由位置和时间嵌入模块与多头注意力模块两个部分组成；432对输入序列使用相对位置嵌入法，生成一个位置矩阵Dp，并将其整合到节点特征中，通过与相对位置编码类似的方式将时间嵌入为节点的特征，对采样的绝对时间进行编码；将日、小时和分钟分别编码为Dd、Dh和Dt，然后求和作为最终的绝对时间嵌入Dτ：Dτ＝Dd+Dh+Dt9433将时间序列数据的编码X、相对位置编码Dp和绝对时间嵌入Dτ这3种编码求和得到一个含有位置信息的矩阵Xτ：Xτ＝X+Dp+Dτ10434将位置和时间嵌入模块的输出作为多头注意力模块的输入；在多头注意力模块中，将一个时间片的空间的所有信息组成一个词向量，学习不同时间片之间的相关性；将输入特征矩阵按照T×N×C的形式输入，通过前馈神经网络映射到具有可学习性的潜在子空间中；多头注意力机制将输入分成同源的3个部分，分别为查询Query、键Key、值Value；并对它们进行线性变换：Query＝XτWQuery，Key＝XτWKey，Value＝XτWValue11其中，都为权重矩阵，且在自注意力机制中，435将3个同源矩阵输入到放缩点积注意力模块中，得到自注意力矩阵： 436重复434到435，每次只进行一个自注意力操作，每次变换时参数W不同，则整个多头注意力模块表示为： O＝MultiHQuery,Key,Value＝Concath1,…,hnW14其中，O为多头注意力输出矩阵，n为注意力的头数，hi表示每次进行注意力运算的结果。

全文数据：

权利要求：

百度查询： 淮阴工学院 基于多尺度时空图变换网络的海上风电功率预测方法及装置