面向多时间步风功率预测的深度时空网络模型.pdfVIP

JournalofComputerApplicationsISSN1001⁃90812025⁃01⁃10

计算机应用,2025,45(1):98-105CODENJYIIDUhttp://www.joca.cn

文章编号：1001-9081（2025）01-0098-08DOI:10.11772/j.issn.1001-9081.2023121750

面向多时间步风功率预测的深度时空网络模型

胡健鹏，张立臣*

（广东工业大学计算机学院，广州510006）

（∗通信作者电子邮箱lchzhang@gdut.edu.cn）

摘要：准确的风功率预测能为风电能源行业提供可靠的指导和决策依据，然而传统的建模方法主要是将风功率

预测问题转换为时序预测问题，忽略了机组间的空间信息，因此，提出一种面向多时间步风功率预测的深度时空网络

模型。该模型采用编码器−解码器架构设计，首先，编码器根据历史功率信息建图，并使用图注意力网络（GAT）提取

融合风场空间信息的机组特征；其次，使用门控循环单元（GRU）提取输入数据中的时间特性，从而得到关于该机组的

风能时间特征；最后，在解码器融合编码器输出的时空特征后，使用样本卷积和交互网络（SCINet）融合不同时间尺度

分辨率下的时空特征，输出未来多时间步风功率的预测值。在WindFarm1数据集上的实验结果表明，在预测步数为

72时，所提模型的绝对平均误差（MAE）低至42.38，相较于双向门控循环单元（Bi-GRU）的MAE下降了4.25%；所提模

型的均方根误差（RMSE）低至42.71，相较于Autoformer的RMSE下降了8.70%。而在WindFarm2数据集上的泛化性

实验结果表明，所提模型在不同风场中具备适用性，为未来风功率的准确预测提供了一种新的途径。

关键词：风功率预测；时空网络；图注意力网络；样本卷积和交互网络；门控循环单元；时间序列

中图分类号：TP183文献标志码：A

Deepspatio-temporalnetworkmodelformulti-timestepwindpowerprediction

HUJianpeng，ZHANGLichen*

（SchoolofComputerScienceandTechnology，GuangdongUniversityofTechnology，GuangzhouGuangdong510006，China）

Abstract:Reliableguidanceandfoundationfordecision-makinginwindpowerenergyindustrycanbeprovidedby

accuratewindpowerprediction.However，thetraditionalmodelingmethodsmainlytransformwindpowerpredictionproblem

intoatimeseriespredictionproblem，ignoringthespatialinformationamongturbines.Therefore，adeepspatio-temporal

networkmodelformulti-