基于图神经模型的风力发电量预测方法及其相关设备技术

本申请实施例属于计算机技术领域，涉及一种基于图神经模型的风力发电量预测方法及其相关设备，包括获取预设空间内风机的特征和风机之间的关系，分别生成风机特征矩阵和风机邻接矩阵；将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中，获得输出的风机空间特征；将所述风机空间特征输入至预先训练的发电量预测模型中，获得输出的风机发电量预测值。本申请能够提高对发电量预测的准确性。性。性。

【技术实现步骤摘要】
基于图神经模型的风力发电量预测方法及其相关设备


[0001]本申请涉及风力发电
，尤其涉及基于图神经模型的风力发电量预测方法及其相关设备。

技术介绍

[0002]随着计算机技术的发展和先进控制系统的应用,现代工业系统设备和结构日趋复杂,工业过程积累了大量的历史数据，这些数据包含过程的运行规律、操作者经验、产品质量和过程出现的问题等丰富的信息。风力发电是一种再生能源，其在发电过程中能够有效节省标煤并减少二氧化硫、二氧化碳和氮氧化物等气体排放量。开展风力发电量的短期预测对于电力系统调度人员制定发电计划、安排备用容量、增加系统运行的可靠性、减少对系统稳定性的影响以及规划电力系统的发展和计划检修安排等有着十分重要的意义。风力发电的发电量依赖于气象因素和环境条件的制约，存在很大的随机性和不确定性，对电网的稳定运行造成一定的影响。
[0003]常见的风力发电量预测方法包括灰色预测、神经网络、支持向量机以及自回归滑动平均模型等。而风电场风力发电量不仅受天气因素影响大，还与风电场设备运行、调度管理等因素有关。风力发电量时间序列数值波动范围大，建模和预测相对较为困难，现有预测方法的准确性不够高。

技术实现思路

[0004]本申请实施例的目的在于提出一种基于图神经模型的风力发电量预测方法及其相关设备，提高对发电量预测的准确性。
[0005]为了解决上述技术问题，本申请实施例提供一种基于图神经模型的风力发电量预测方法，采用了如下所述的技术方案：
[0006]一种基于图神经模型的风力发电量预测方法，包括下述步骤：
[0007]获取预设空间内风机的特征和风机之间的关系，分别生成风机特征矩阵和风机邻接矩阵；
[0008]将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中进行风机空间特征提取，获得输出的风机空间特征；
[0009]将所述风机空间特征输入至预先训练的发电量预测模型中，获得输出的风机发电量预测值。
[0010]进一步的，所述发电量预测模型包括双向长短期记忆模型和全连接层，所述将所述风机空间特征输入至预先训练的发电量预测模型中，获得输出的风机发电量预测值的步骤包括：
[0011]基于时间顺序将所述风机空间特征依次输入至所述双向长短期记忆模型中，基于所述双向长短期记忆模型中的输入门、遗忘门以及输出门记忆历史时刻的风机空间特征，并与当前时刻的风机空间特征进行融合，获得输出的风机记忆特征；
[0012]将所述风机记忆特征输入至所述全连接层中，以对所述风机记忆特征进行概率预测，获得下一时刻的所述风机发电量预测值。
[0013]进一步的，所述图神经模型包括傅里叶域滤波器和多个隐藏层，所述将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中进行风机空间特征提取，获得输出的风机空间特征的步骤包括：
[0014]将所述风机特征矩阵和所述风机邻接矩阵经过所述傅里叶域滤波器，通过所述傅里叶域录波器的一阶邻域捕获所有风机之间的空间性特征，获得初始风机空间特征；
[0015]将所述初始风机空间特征经过所述多个隐藏层，以对所述初始风机空间特征进行多层次的抽象，获得所述风机空间特征。
[0016]进一步的，所述获取预设空间内风机的特征和风机之间的关系，分别生成风机特征矩阵和风机邻接矩阵的步骤包括：
[0017]获取各风机的特征，并组合所述风机的特征，生成所述风机特征矩阵；
[0018]基于在每个风机的预设影响范围内的剩余风机的风机数量和风机编码生成所述风机邻接矩阵。
[0019]进一步的，将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中，获得输出的风机空间特征的步骤包括：
[0020]基于时间顺序将所述风机特征矩阵和所述风机邻接矩阵依次输入至所述图神经模型中，获得所述风机空间特征。
[0021]进一步的，在所述将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中，获得输出的风机空间特征的步骤之前：
[0022]接收历史风机特征矩阵和历史风机邻接矩阵，并将对应的历史发电量作为所述历史风机特征矩阵和历史风机邻接矩阵的标签，生成训练数据；
[0023]基于所述训练数据训练预设的初始图神经模型和初始发电量预测模型，直到所述初始图神经模型和所述初始发电量预测模型收敛，获得所述图神经模型和所述发电量预测模型。
[0024]为了解决上述技术问题，本申请实施例还提供一种基于图神经模型的风力发电量预测装置，采用了如下所述的技术方案：
[0025]一种基于图神经模型的风力发电量预测装置，包括：
[0026]获取模块，用于获取预设空间内风机的特征和风机之间的关系，分别生成风机特征矩阵和风机邻接矩阵；
[0027]输入模块，用于将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中，获得输出的风机空间特征；
[0028]预测模块，用于将所述风机空间特征输入至预先训练的发电量预测模型中，获得输出的风机发电量预测值。
[0029]进一步的，所述获取模块包括第一风机特征生成子模块和第二风机特征生成子模块；
[0030]所述第一风机特征生成子模块用于获取各风机的特征，并组合所述风机的特征，生成所述风机特征矩阵；
[0031]所述第二风机特征生成子模块用于基于在每个风机的预设影响范围内的剩余风
机的风机数量和风机编码生成所述风机邻接矩阵。
[0032]为了解决上述技术问题，本申请实施例还提供一种计算机设备，采用了如下所述的技术方案：
[0033]一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机可读指令，所述处理器执行所述计算机可读指令时实现上述的基于图神经模型的风力发电量预测方法的步骤。
[0034]为了解决上述技术问题，本申请实施例还提供一种计算机可读存储介质，采用了如下所述的技术方案：
[0035]一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机可读指令，所述计算机可读指令被处理器执行时实现上述的基于图神经模型的风力发电量预测方法的步骤。
[0036]与现有技术相比，本申请实施例主要有以下有益效果：
[0037]本申请基于风机的特征和风机之间的关系，分别生成风机特征矩阵和风机邻接矩阵，基于风机特征矩阵和风机邻接矩阵进行风力发电量的预测。能够充分考虑到风机之间分布的空间拓扑特征，提升对风力发电量预测的准确性。同时，通过图神经模型进行风机空间特征的提取，进而将风机空间特征输入至发电量预测模型中进行风力发电量预测，即通过图神经模型和发电量预测模型之间的配合，实现对风力发电量的准确预测。
附图说明
[0038]为了更清楚地说明本申请中的方案，下面将对本申请实施例描述中所需要使用的附图作一个简单介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图神经模型的风力发电量预测方法，其特征在于，包括下述步骤：获取预设空间内风机的特征和风机之间的关系，分别生成风机特征矩阵和风机邻接矩阵；将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中进行风机空间特征提取，获得输出的风机空间特征；将所述风机空间特征输入至预先训练的发电量预测模型中，获得输出的风机发电量预测值。2.根据权利要求1所述的基于图神经模型的风力发电量预测方法，其特征在于，所述发电量预测模型包括双向长短期记忆模型和全连接层，所述将所述风机空间特征输入至预先训练的发电量预测模型中，获得输出的风机发电量预测值的步骤包括：基于时间顺序将所述风机空间特征依次输入至所述双向长短期记忆模型中，基于所述双向长短期记忆模型中的输入门、遗忘门以及输出门记忆历史时刻的风机空间特征，并与当前时刻的风机空间特征进行融合，获得输出的风机记忆特征；将所述风机记忆特征输入至所述全连接层中，以对所述风机记忆特征进行概率预测，获得下一时刻的所述风机发电量预测值。3.根据权利要求1所述的基于图神经模型的风力发电量预测方法，其特征在于，所述图神经模型包括傅里叶域滤波器和多个隐藏层，所述将所述风机特征矩阵和所述风机邻接矩阵输入至预先训练的图神经模型中进行风机空间特征提取，获得输出的风机空间特征的步骤包括：将所述风机特征矩阵和所述风机邻接矩阵经过所述傅里叶域滤波器，通过所述傅里叶域录波器的一阶邻域捕获所有风机之间的空间性特征，获得初始风机空间特征；将所述初始风机空间特征经过所述多个隐藏层，以对所述初始风机空间特征进行多层次的抽象，获得所述风机空间特征。4.根据权利要求1所述的基于图神经模型的风力发电量预测方法，其特征在于，所述获取预设空间内风机的特征和风机之间的关系，分别生成风机特征矩阵和风机邻接矩阵的步骤包括：获取各风机的特征，并组合所述风机的特征，生成所述风机特征矩阵；基于在每个风机的预设影响范围内的剩余风机的风机数量和风机编码生成所述风机邻接矩阵。5.根据权利要求1所述的基于图神经模型的风力发电量预测方法，其特征在于，将所述风机...

【专利技术属性】
技术研发人员：刘雨桐，石强，熊娇，王国勋，张兴，
申请(专利权)人：润联软件系统深圳有限公司，
类型：发明
国别省市：