基于注意力特征融合时空图网络的超短期风电功率预测

摘要

为提高风电功率的预测精度，综合考虑时间和空间多维度因素的影响，提出了一种基于注意力机制和多阶段特征融合的时空图神经网络（Spatio-temporal graph neural network with attention mechanism and multistage feature fusion, AMF-STGNN）的超短期风电功率预测方法。首先基于Pearson相关系数法对数据特征进行降维，确定影响风电功率的关键因素。然后构建AMF-STGNN预测模型。该模型主要由时空关联网络构建模块和多维度时空特征抽取模块组成。通过时空关联网络构建模块构建时空图，以揭示风电气象因素的空间连接关系。通过多维度时空特征抽取模块应用时间卷积和图卷积挖掘数据的时空特征，并利用注意力机制学习重要特征。此外，该方法还引入残差结构和多阶段特征融合结构提高模型的表达能力。最后以宁夏3个风电场真实数据为例，验证了所提方法在提升风电功率预测精度方面的有效性。

关键词

风电功率 / 预测 / 时空图 / 相关性分析 / 注意力机制 / 多阶段特征融合