(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111280781.0 (22)申请日 2021.10.2 9 (65)同一申请的已公布的文献号 申请公布号 CN 114004152 A (43)申请公布日 2022.02.01 (73)专利权人 河海大学 地址 210024 江苏省南京市 鼓楼区西康路1 号 (72)发明人 臧海祥　张烽春　刘冲冲　张越　 刘璟璇　卫志农　孙国强　 (74)专利代理 机构 南京苏高专利商标事务所 (普通合伙) 32204 专利代理师 柏尚春 (51)Int.Cl. G06F 30/27(2020.01)G06N 3/04(2006.01) G06N 3/08(2006.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) G06F 113/06(2020.01) (56)对比文件 CN 112529282 A,2021.0 3.19 CN 113516271 A,2021.10.19 审查员 邱慧 (54)发明名称 基于图卷积和循环神经网络的多风场风速 时空预测方法 (57)摘要 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。 权利要求书2页 说明书9页 附图5页 CN 114004152 B 2022.11.22 CN 114004152 B 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； 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，…， vM}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Aij∈A， 其定义如下 所示： 其中， d(vi， vj)表示顶点vi与vj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(vi， vj)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； 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； 所述的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， 其计算公式如下： It＝σ(Wxi*gXt+Whi*gHt‑1+Bi) Ft＝σ(Wxf*gXt+Whf*gHt‑1+Bf) Ot＝σ(Wxo*gXt+Who*gHt‑1+Bo) 其中， It、 Ft、 Ot分别表示t时刻输入门、 遗忘门和输出门矩阵， Ct和Ht分别表示t时刻的单 元细胞状态和隐藏层状态矩阵， Xt表示t时刻的长短期记忆单元的输入矩阵， Wxi、 Wxf、 Wxo、 Wxc 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， Whi、 Whf、 Who、 Whc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， Bi、 Bf、 Bo和Bc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； 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)中训练完成的多风场风速时空点预测模型参 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 的构造风速图信号序列， 是将位于顶点vi的风场在时刻t的风速权　利　要　求　书 1/2 页 2 CN 114004152 B 2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xt‑K+1， xt‑K+2，…， xt， 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xt+1。 3.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， Wq， 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。 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(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。 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(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， fs(W( τj)， b( τj)， Xi)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τj下的风速预测值， W( τj)和b( τj)是多风场风速时空概率预测 模型中分位数τj下的全连接层的W参数和b参数， Xi表示每批量训练集中第i个样本的输入。 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(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。权　利　要　求　书 2/2 页 3 CN 114004152 B 3