摘要
风力发电预测在风电场的电力调度与安全管理中起着至关重要的作用。然而，多模态异构数据整合不足以及传统图构建方法的局限性，严重制约了预测性能。现有方法要么依赖简单的特征聚合，无法充分捕捉跨模态依赖关系，要么采用预定义或单一标准的图构建方法，难以体现涉及空间、时间和非线性关联的复杂风机关系。为解决这些问题，本文提出了一种用于短期风力发电预测的多模态自适应融合图神经网络（MAF-GNN）。首先，设计了一个模态感知表示学习（MARL）模块，通过基于注意力的融合方式，建模各模态的特定特征及跨模态依赖关系，从而提取有用的多模态表示。其次，引入了一种具有多重相似性度的自适应图学习（AGL-MS）模块，可参数化整合地理距离、动态时间规整（DTW）、最大信息系数（MIC）和余弦相似度这四种互补的相似性度量标准，用于构建自适应的风机关联图。此外，还开发了一种可信度调节图卷积网络（CM-GCN），以降低在消息传播过程中不可靠节点信息的影响。在SDWPF数据集上进行的大量实验表明，与序列基准方法相比，MAF-GNN可将平均绝对误差降低14.0–21.3%，相较于时空图模型则能提升5.3–10.2%的预测精度。消融实验进一步验证了所提出的各个模块在提升预测性能方面的互补作用。
