基于图卷积和循环神经网络的多风场风速时空预测方法与流程

技术特征：
1.一种基于图卷积和循环神经网络的多风场风速时空预测方法，其特征在于，包括以下步骤：步骤(1)：获得某区域内若干个风场的位置信息和风速数据，使用无向有权图基于所述位置信息和风速数据进行图建模，并对建立的无向有权图使用谱图卷积计算，构造风速图信号序列；步骤(2)：将长短期记忆神经网络中的乘法运算替代为图卷积计算，构造图卷积长短期记忆神经网络，并在此基础上建立基于图卷积长短期记忆神经网络的多风场风速时空点预测模型；步骤(3)：基于多风场的历史风速数据，对多风场风速时空点预测模型的参数进行训练，得到多风场风速时空点预测模型；步骤(4)：基于迁移学习原理，对步骤(3)中训练完成的点预测模型参数进行迁移，构建多风场风速时空概率预测模型，并做进一步训练，得到多风场风速时空概率预测模型；步骤(5)：将需要进行风速预测的风场信息通过步骤(1)构造为风速图信号序列，将待预测的风速图信号序列依次输入步骤(3)和步骤(4)训练得到的模型，得到多风场的风速的点预测和概率预测结果。2.根据权利要求1所述的基于图卷积和循环神经网络的多风场风速时空预测方法，其特征在于，步骤(1)中所述的使用无向有权图基于所述位置信息和风速数据进行图建模，方法如下：对于某区域内的m个风场，使用无向有权图g＝(v，e，a)来对其数据进行建模，其中v＝{v1，v2，
…
，v
m
}为顶点的集合，每个顶点表示该区域的一个风场，e为边的集合，a为邻接矩阵，对于每一个a
ij
∈a，其定义如下所示：其中，d(v
i
，v
j
)表示顶点v
i
与v
j
之间的距离，即第i个风场与第j个风场的地理距离，表示所有成对顶点距离的标准差，用于消除量纲的影响，pcc(v
i
，v
j
)表示基于第i个风场与第j个风场历史风速数据计算得到的皮尔森相关性系数，γ为皮尔森系数的阈值。3.根据权利要求2所述的基于图卷积和循环神经网络的多风场风速时空预测方法，其特征在于：步骤(1)中所述的构造风速图信号序列，是将位于顶点v
i
的风场在时刻t的风速记为则在时刻t的风速图信号记为则历史若干时刻的风速图信号序列为x
t-k 1
，x
t-k 2
，
…
，x
t
，其中k为自然数，利用风速图信号序列预测下一时刻的风速图信号x
t 1
。4.根据权利要求1所述的基于图卷积和循环神经网络的多风场风速时空预测方法，其特征在于，步骤(1)中所述的对建立的无向有权图使用谱图卷积计算，其中谱图卷积层的计算公式为：其中，q表示卷积核的个数，y
：，q
表示第q个卷积核的输出，x
：，p
表示第p个通道图信号输入，f为卷积核，*
g
表示图卷积运算，w
q，p，：
表示与第p个通道图信号输入对应的第q个卷积核
的参数，a(
·
)表示激活函数，p表示图信号输入的通道数。5.根据权利要求1所述的基于图卷积和循环神经网络的多风场风速时空预测方法，其特征在于，步骤(2)中所述的图卷积长短期记忆神经网络，其计算公式如下：i
t
＝σ(w
xi
*
g
x
t
w
hi
*
g
h
t-1
b
i
)f
t
＝σ(w
xf
*
g
x
t
w
hf
*
g
h
t-1
b
f
)o
t
＝σ(w
xo
*
g
x
t
w
ho
*
g
h
t-1
b
o
)c
t
＝f
t
⊙
c
t-1
i
t
⊙
tanh(w
xc
*
g
x
t
w
hc
*
g
h
t-1
b
c
)h
t
＝o
t
⊙
tanh(c
t
)其中，i
t
、f
t
、o
t
分别表示t时刻输入门、遗忘门和输出门矩阵，c
t
和h
t
分别表示t时刻的单元细胞状态和隐藏层状态矩阵，x
t
表示t时刻的长短期记忆单元的输入矩阵，w
xi
、w
xf
、w
xo
、w
xc
分别为长短期记忆网络输入层神经元中输入门、遗忘门、输出门和细胞状态的权重张量，w
hi
、w
hf
、w
ho
、w
hc
分别为长短期记忆网络隐藏层神经元中输入门、遗忘门、输出门和细胞状态的权重张量，b
i
、b
f
、b
o
和b
c
分别表示输入门、遗忘门、输出门和细胞状态的偏置矩阵，*
g
表示图卷积运算。6.根据权利要求1所述的基于图卷积和循环神经网络的多风场风速时空预测方法，其特征在于，步骤(3)所述的多风场风速时空点预测模型，其模型训练的误差损失公式为：其中，m表示每批量训练集样本个数，m为风场的个数，表示每批量训练集中第i个样本中第s个风场输出的实际值，表示每批量训练集中第i个样本中第s个风场输出的预测值。7.根据权利要求1所述的基于图卷积和循环神经网络的多风场风速时空预测方法，其特征在于，步骤(4)所述的多风场风速时空概率预测模型，其模型训练的分位数损失公式为：其中，q表示分位点的个数，m表示每批量训练集样本个数，m为风场的个数，表示第j个分位点的分位数损失，表示训练集中第i个样本中第s个风场输出的实际值，f
s
(w(τ
j
)，b(τ
j
)，x
i
)表示每批量训练集中第i样本模型输出的第s个风场的分位数τ
j
下的风速预测值，w(τ
j
)和b(τ
j
)是多风场风速时空概率预测模型中分位数τ
j
下的全连接层的w参数和b参数，x
i
表示每批量训练集中第i个样本的输入。8.根据权利要求1所述的基于图卷积和循环神经网络的多风场风速时空预测方法，其特征在于，步骤(4)所述的基于迁移学习原理，对步骤(3)中训练完成的点预测模型参数进行迁移，是将点预测模型中图卷积长短期记忆神经网络层的参数基于迁移学习算法迁移至概率预测模型中的图卷积长短期记忆神经网络层。

技术总结
本发明公开了一种基于图卷积和循环神经网络的多风场风速时空预测方法，针对现有风速时空预测方法常使用的卷积神经网络难以有效分析现实中呈现非网格分布的多风场的风速数据，提出图卷积长短期记忆神经网络来处理该数据。首先基于皮尔森相关性系数对多风场的风速数据进行图建模，构造风速图信号序列；然后使用图卷积替代长短期记忆神经网络中的乘法运算，构造图卷积长短期记忆神经网络；最后基于图卷积长短期记忆神经网络以及迁移学习原理构建多风场风速时空预测模型。本发明所提时空预测模型具有较好的点预测和概率预测性能，验证了融合邻近风场的历史风速信息能够有助于提高风速点预测和概率预测的准确性，为多风场的短期风速预测提供了新思路。的短期风速预测提供了新思路。的短期风速预测提供了新思路。


技术研发人员：臧海祥 张烽春 刘冲冲 张越 刘璟璇 卫志农 孙国强
受保护的技术使用者：河海大学
技术研发日：2021.10.29
技术公布日：2022/2/7