(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 20221084090 0.1 (22)申请日 2022.07.18 (71)申请人 燕山大学 地址 066004 河北省秦皇岛市海港区河北 大街438号 (72)发明人 江国乾　徐向东　谢平　武鑫　 李小俚　何群　 (74)专利代理 机构 石家庄众志华清知识产权事 务所(特殊普通 合伙) 13123 专利代理师 王忠良 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06N 3/08(2006.01) G06N 3/04(2006.01)G06K 9/62(2022.01) G06F 17/18(2006.01) (54)发明名称 一种基于图网络的多机组风功率预测方法 (57)摘要 本发明公开了一种基于图网络的多机组风 功率预测方法， 属于风场风功率预测领域， 包括 以下步骤： 记录风场内所有风机的相对位置， 以 表征空间分布， 利用监督控制和数据采集系统采 集风场的监测数据， 得到各个机组的功率数据， 并进行数据预处理； 设计图卷积网络特征提取模 块， 对于风机的空间位置信息与各个机组的自身 特征， 进行特征提取， 将非欧数据转化为欧式数 据； 再通过时序特征学习层从融合后的特征向量 序列中提取时间特征； 最后通过回归层对各个风 机的风功率进行预测。 本发明通过结合图卷积网 络和二维时间系数矩阵， 从原始数据中自动选择 和提取空间特征与时序特征， 能够提高整体的预 测精度、 预测 效率和模型鲁棒性， 使电力系统的 调度更加安全平稳。 权利要求书2页 说明书4页 附图2页 CN 115238981 A 2022.10.25 CN 115238981 A 1.一种基于图网络的多机组风功率预测方法， 其特 征在于： 包括以下步骤： S1、 记录风场内所有风机的位置信息， 利用监督控制和数据采集系统采集风场的监测 数据， 得到各个机组的功率数据， 作为节点特 征， 并进行 数据预处 理； S2、 针对位置信息和功率数据， 设计图卷积网络特征提取模块， 用来提取风机的位置信 息与各个机组的节点特 征； S3、 将步骤S2获得的特征序列与二维时间系数矩阵相乘， 进一步提取时间维度的特征， 输出多视角时空融合特 征； S4、 构建全连接回归层， 将步骤S3获得的多视角时空融合特征输入到全连接回归层中， 得到风场内所有风机的风功率预测结果。 2.根据权利要求1所述的一种基于图网络的多机组风功率预测方法， 其特征在于： S1具 体包括以下步骤： S11、 获取机组的位置信息为Xi， Yi， 表示第i台风机的位置坐标； 风功率的数据大小为n ×H， n表示机组总数， H表示读取 数据的长度； S12、 根据机组的空间位置， 计算两两之间的欧式距离， 组成邻接矩阵， 以表示相互间的 位置关系， 公式如下： 其中， sij表示i与j两点间的距离， xi， yi表示i点的横坐标 与纵坐标， xj， yj表示j点的横坐标与纵坐标； S13、 功率数据进行滑窗处理以充分提取时序特征信息， 窗口大小为W， 进一步经过最大 最小值归一化处理后， 最 终得到的数据大小为： n ×H/W， n为机组数量， 最大最小值归一化计 算公式如下： 其中yij是标准化处理后的时间序列中第i个机组的第j个值， xij是原始时间序列中第i 个机组的第j个功率值， min(xi)和max(xi)分别是第i个机组时间序列中功率的最小值和最 大值。 3.根据权利要求1所述的一种基于图网络的多机组风功率预测方法， 其特征在于： S2具 体包括以下步骤： S21、 针对位置信息和功率数据设计图卷积网络特征学习模块， 卷积层采用ReLu作为激 活函数， 并在模块内添加批标准 化层以提高模型的训练效果， 从而获得信号的融合特 征； S22、 通过图卷积网络进行 学习， 计算公式如下： 其中W是要学习的参数， D为度矩阵， A为邻接矩阵， IN为单位矩阵。 4.根据权利要求1所述的一种基于图网络的多机组风功率预测方法， 其特征在于： S3具 体包括以下步骤：权　利　要　求　书 1/2 页 2 CN 115238981 A 2S31、 根据机组的历史功率数据计算时间系数矩阵， 使用最小二乘法求解多元回归问 题， 为不同机组历史数据的不同时间点赋予对应的系数， 将所有机组的时间系数矩阵拼接， 得到二维时间系数矩阵； 通过将图卷积网络提取到的空间特征与二 维时间系数矩阵对应位 置的值相乘来 提取时序信息， 达 到时空特 征融合的目的。 5.根据权利要求4所述的一种基于图网络的多机组风功率预测方法， 其特征在于： S4具 体包括以下步骤： S41、 定义 风功率预测为 一个回归预测问题； S42、 将S31获取的最终时空特征转化为二维矩阵并输入到具有平均绝对误差损失函数 的回归层中， 对机组的风功率进行评估； 其中平均绝对误差的计算公式如下： 其中， yi表示真实值， 表示预测值， MAE为 求平均值后得到预测值和真实值之间的平均 绝对误差 。权　利　要　求　书 2/2 页 3 CN 115238981 A 3