申请/专利权人：广东工业大学

申请日：2024-03-13

公开（公告）日：2024-04-12

公开（公告）号：CN117874500A

主分类号：G06F18/213

分类号：G06F18/213;G06F18/25;G06N3/042;G06N3/0464;G06Q10/04;G06Q50/06;H02J3/00;H02J3/38

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.30#实质审查的生效;2024.04.12#公开

摘要：本发明涉及功率预测的技术领域，更具体地，涉及一种多视角融合海上风电场机群功率预测方法，首先获取特征向量，根据各风机的数据和地理位置构造功率关系矩阵和图矩阵，然后构建空间图嵌入模块，从而将图矩阵嵌入节点空间信息和图间节点信息，将嵌入信息矩阵输入至交叉融合卷积模块，随后构建切比雪夫图卷积神经网络处理特征向量和多视角拓扑矩阵，使每个风机的特征向量都能得到其他风机的有效权重，最后由多重门控时序模块筛选出时序特征。本发明不仅可充分捕捉风电机群的结构特征，而且可充分捕捉风电机群的动态特性，有效减少因忽略风机之间关系导致的误差，弥补了单一风机数据特征欠缺的不足，整体提升海上风电功率预测精度。

主权项：1.一种多视角融合海上风电场机群功率预测方法，其特征在于，包括以下步骤：S1.获取目标海上风电场中各风机的功率、风速、风向、降水量数据以及每台风机的地理位置，并进行预处理；S2.将预处理后的风电场功率、风速、风向、降水量数据构成特征矩阵，根据预处理后的风电场各风机功率以及每台风机的地理位置构建多个信息矩阵；S3.构建空间图嵌入模块和交叉融合卷积模块，将多个图矩阵依次输入至空间图嵌入模块和交叉融合卷积模块，在空间图嵌入模块进行空间相关性嵌入以及图间相关性嵌入，在交叉融合卷积模块进行注意力提取融合，所述图矩阵包括功率关系矩阵、地理位置矩阵、邻居关系矩阵和欧几里得距离矩阵；S4.构建考虑空间拓扑影响的图卷积神经网络，将处理过的特征矩阵同多视角拓扑矩阵一同输入至图卷积神经网络，得到融合多种拓扑信息的特征矩阵；S5.构建多重时序门控模块，将信息融合的特征矩阵通过多重时序门控模块，实现不同时间的感受野，最终得到时空信息聚合的预测输出；S6.利用训练集对模型进行训练，获得最优模型参数，将下一时刻的风电状态特征输入至训练得到的最优模型，对下一时刻的风电功率进行预测。

全文数据：

权利要求：

百度查询： 广东工业大学 一种多视角融合海上风电场机群功率预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD