[0001] 本发明涉及风电短期预测领域，尤其是涉及基于Swin‑Transformer框架的气象‑风电功率联合预测方法。

[0002] 风电短期预测是指在当日的固定时间点(通常为上午8‑12时)预测次日00:00至23:45时的96点功率出力值。风电场功率输出受气象条件的强烈影响，风速、温度、湿度等气象因素的变化直接决定了风电功率的波动性和不确定性，因此，预测风电场的功率需要以气象预报数据作为输入。气象预报数据通常为格点形式，为方便利用，现有的短期功率预测方法通常将格点形式的气象预报数据插值到风电场站，然而，这种做法会忽略大量的有用信息，从而影响功率预测的精度。

[0003] 近年来，随着深度学习技术的飞速发展，基于深度学习的新能源预测技术取得了显著进展。例如，卷积神经网络(CNN)、长短期记忆网络(LSTM)等模型已经被广泛应用于时间序列预测任务中。然而，这些模型在捕捉复杂时空依赖关系方面存在一定局限性。

[0004] Swin‑Transformer作为一种新兴的深度学习模型，最初用于计算机视觉领域。其基于滑动窗口机制的局部自注意力结构，可以更有效地处理高分辨率数据，捕捉局部和全局的信息。与传统的卷积神经网络相比，Swin‑Transformer在处理复杂数据结构时具有更好的表现，尤其适合气象和风电功率等时空依赖强的多维数据。

[0031] 以下通过附图和实施例对本发明的技术方案作进一步说明。

[0032] 除非另外定义，本发明使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。

[0033] 实施例一

[0034] 如图1所示，本发明提出了一种基于Swin‑Transformer框架的气象‑风电功率短期预测方法，包括以下步骤：

[0035] 步骤一、获取历史风电时序功率数据和未来气象网格预报数据

[0036] 风电时序功率数据的维度为1×96，96表示过去1日15min时间间隔，共计96个点；未来气象网格预报数据的维度为48×64×25，48表示未来48小时逐小时，64表示风电场站周围8×8的网格，25表示气象要素，分别来自ECMWF(European Centre for Medium‑Range Weather Forecasts)的高分辨率预测模型(气象要素包括200米风速、200米风的u分量、200米风的v分量、100米风的u分量、100米风的v分量、10米风的u分量、10米风的v分量、2米温度和地势)、华为的盘古气象大模型(气象要素10米风的u分量、10米风的v分量、2米温度、1000百帕的风的u分量、1000百帕的风的v分量、1000百帕的温度、1000百帕的绝对湿度、1000百帕的位势)、上海人工智能实验室的风乌气象大模型(气象要素与盘古模型相同)。

[0037] 步骤二、将获取的历史风电时序功率数据和未来气象网格预报数据进行时间位置编码、空间位置编码、卷积，分别输出气象预报数组和历史功率的初始特征，将这两组初始特征在最后一维度上进行合并、填充形成一个新的特征数据

[0038] 气象和功率数据需要加上时空位置编码(Spatiotemporal positional encoding)。对于气象数据的空间位置编码，首先计算风电场站坐标与8×8气象格点坐标的相对位置，即风电场站经纬度‑气象格点经纬度，形成(64,2)维度的数组，其次通过三角函数编码坐标，形成(1,64,25)维度的空间位置编码，再与(48,64,25)维度的气象预报数据直接相加(维度的元素个数不同利用广播机制扩展)。空间位置编码的具体公式如下：

[0039]

[0040] 式中，px,2j表示偶数列的元素，py,2j表示偶数行的元素，数组是二维的，(n,2)，n表示风电场的数量，2表示经纬度坐标，所以x表示经度，y表示纬度，d表示特征的维度，2j表示偶数列，2j+1表示奇数列。气象数据和功率数据都需要加上时间位置编码，气象数据的时间位置编码如下：

[0041]

[0042] 式中，i表示时间，取值为[25,72]，步长为1，d取值为25，形成(48,1,25)维度的数组与气象预测数据直接相加，pi,2j表示偶数的元素，pi,2j+1表示奇数的元素。功率数据的时间位置编码同样基于公式(3)和(4)得到，其中i的取值为[0,24]，步长为0.25，d取值为1，形成(96,1)维度的数组与历史功率数据直接相加。

[0043] 气象预报数据经过卷积层(Conv2d层，Kernal＝2，Stride＝4)，输出(24,16,C)维度的数组；历史功率数据经过卷积层(Conv1d层，Kernal＝4，Stride＝4)，输出(24,C)维度的数组。将两个数组在最后一维度上进行合并，形成(24,17,C)维度的数组，在第二维度上进行填充，最后形成(24,18,C)维度的数组。

[0044] 步骤三、将新的特征数据输入到气象‑新能源预测模型中，输出融合特征，将融合特征再次卷积和一个MLP层得到最终的预测结果

[0045] 将上述数组输入改进的Swin‑transformer模型中，模型层数为4，深度为分别为2、6、6、2，具体模型框架如图2所示。Transformer模块由一个多头自注意力机制(MSA)模块和一个非线性的MLP模块组成，在每个MSA模块和每个MLP之前应用层正则化(LN)，并在每个模块之后应用残差连接。其中，局部窗口自注意力机制是Swin‑Transformer的核心。首先，输入数据X被划分为固定大小的局部窗口，每个窗口包含一部分特征图。假设特征图的尺寸为H×W×C，其中H和W分别表示特征图的高度和宽度，C表示通道数。在每个M×M大小的窗口内，模型计算自注意力，以学习窗口内特征之间的关系。窗口划分是将特征图X划分为多个大小为M×M的局部窗口Xω。这样，每个窗口内的特征可以被单独处理。窗口内的特征矩阵通过如下公式计算查询(Query)、键(Key)和值(Value)向量：

[0046] Q＝XωWQ (5)；

[0047] K＝XωWK (6)；

[0048] V＝XωWV (7)；

[0049] 式中，WQ,WK,WV是学习的权重矩阵，Q、K和V分别表示查询、键和值向量。注意力机制是使用查询、键和值向量计算自注意力，通过下式获得窗口内的注意力输出：

[0050]

[0051] 式中，dk是键向量的维度，softmax函数用于计算权重，并通过加权平均得到注意力结果。移位窗口操作是Swin‑Transformer的另一重要特点。为了实现窗口间的信息交互，每一层的特征窗口在进行自注意力计算之前会被移位。这种移位操作可以用来连接不同窗口中的信息，从而增强模型的全局上下文建模能力：

[0052]

[0053] 式中，S是移位的像素数，Xω表示原始特征， 表示移位后的特征。通过在不同层之间对窗口进行移位，模型可以有效地结合窗口间的信息，进一步提高预测的准确性。特征融合方面，Swin‑Transformer通过堆叠多层模型来实现特征的多尺度建模。每层包括局部窗口自注意力、移位窗口操作和全连接层。最终的特征通过MLP进行处理，以生成最终的预测输出：

[0054] Xout＝MLP(LayerNorm(Xin+Attention(Xin))) (10)；

[0055] 最后，在经过Swin‑transformer模型后，输出(24,18,2C)维度的数组，再经过一个卷积层(Conv2d层，Kernal＝1，Stride＝1)和一个MLP层，最终得到长度为192的功率预测结果。

[0056] 基于Swin‑Transformer框架的气象‑风电功率联合预测系统，包括[0057] 数据获取模块用于获取历史风电时序功率数据和未来气象网格预报数据；

[0058] 数据处理模块用于将获取的历史风电时序功率数据和未来气象网格预报数据进行时空位置编码卷积，分别输出气象预报数组和历史功率的初始特征，将这两组初始特征在最后一维度上进行合并、填充形成一个新的特征数据；

[0059] 预测模块用于将新的特征数据输入到气象‑新能源预测模型中，输出融合特征，将融合特征再次卷积和一个MLP层得到最终的预测结果。

[0060] 由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。

[0061] 本申请还提供了一种存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：U盘、移动硬盘、只读存储器(Read‑Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。

[0062] 本申请还提供了一种电子设备，可以包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然所述电子设备还可以包括各种网络接口，电源等组件。

[0063] 因此，本发明采用上述基于Swin‑Transformer框架的气象‑风电功率联合预测方法，能够充分挖掘气象网格数据，并将其与风电时序数据在高维空间融合，从而能够更好地捕捉气象与风功率之间的时空关系，实现风电功率的高精度预测。

[0064] 最后应说明的是：以上实施例仅用以说明本发明的技术方案而非对其进行限制，尽管参照较佳实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对本发明的技术方案进行修改或者等同替换，而这些修改或者等同替换亦不能使修改后的技术方案脱离本发明技术方案的精神和范围。