本发明涉及深水工程结构及环境安全监测预警，尤其是涉及一种基于多尺度的图注意力风电工况分类方法及装置。
背景技术：
1、近年来，基于大数据和人工智能等新一代信息技术的工况预测方法受到了广泛的关注和研究，主要是将模式识别和机器学习的方法应用在风力发电等工况识别场景中。目前，国内外已有一些基于深度学习和机器学习的工况预测方法的研究和应用，取得了一定的效果和进展。
2、一种是使用卷积神经网络cnn结合针对时间序列的循环神经网络rnn以及长短期记忆网络lstm模型，但这些模型的叠加使得模型的计算量和参数量较大，需要更多数据和资源，并且对于数据的尺寸和分布较敏感；此外在特征提取方面，这些模型大多只是对不同模型的特征提取结果进行简单的拼接，对于不同特征变量之间的相关性以及时间序列数据在时间上的相关性并没有进行有针对性的充分利用，并且模型的可解释性较差。
3、二是使用transformer系列模型，但transformer模型的注意力机制使得整个模型的复杂度和计算量较高，随着序列长度的增加，模型的计算量和内存消耗会呈现指数增长，这在一定程度上限制了模型的应用范围；且由此引起的位置编码的维度和序列长度的匹配、多头注意力的权重分配等问题，也影响了模型的泛化能力和精度。
4、由于风力发电过程中采集到的数据是一种多变量时间序列数据，因此，如何深入挖掘多变量时间序列数据内部的时间域和特征域的潜在关联，实现更加精准的风力发电工况预测是目前亟待解决的问题。
技术实现思路
1、本发明旨在至少解决现有技术中存在的技术问题之一。
2、为此，本发明提出了一种基于多尺度的图注意力风电工况分类方法及装置，能够深入挖掘多变量时间序列数据内部的时间域和特征域的潜在关联，对风力发电工况实现更加精准的预测。
3、根据本申请的第一方面，提供了一种基于多尺度的图注意力风电工况分类方法，包括：
4、对输入的风电多变量时间序列数据进行不同程度的下采样，以获取不同尺度的时间序列数据；
5、利用滑动窗口对不同尺度的时间序列数据进行转换，以获取各自对应的图结构数据；
6、利用图注意力机制对不同尺度的图结构数据进行特征提取，以获取每个尺度对应的图结构数据的图特征提取结果；
7、利用加权融合机制对每个尺度对应的图结构数据的图特征提取结果进行整合，以获取最终的工况类别。
8、根据本申请的第二方面，提供了一种基于多尺度的图注意力风电工况分类装置，该装置包括：
9、多尺度金字塔模块，用于对输入的风电多变量时间序列数据进行不同程度的下采样，以获取不同尺度的时间序列数据；
10、图构建模块，用于利用滑动窗口对不同尺度的时间序列数据进行转换，以获取各自对应的图结构数据；
11、图特征提取模块，用于利用图注意力机制对不同尺度的图结构数据进行特征提取，以获取每个尺度对应的图结构数据的图特征提取结果；
12、融合决策模块，用于利用加权融合机制对每个尺度对应的图结构数据的图特征提取结果进行整合，以获取最终的工况类别。
13、根据本申请的第三方面，提供了一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，所述处理器运行所述计算机程序时执行上述任一项所述的基于多尺度的图注意力风电工况分类方法。
14、根据本申请的第四方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在终端执行上述任一项所述的基于多尺度的图注意力风电工况分类方法。
15、根据本申请所提供的技术方案，至少具有如下有益效果：对输入的风电多变量时间序列数据只在时间维度上进行不同程度的下采样，以保留数据的时间域变化；获取不同尺度的时间序列数据后，再利用滑动窗口对不同尺度的时间序列数据进行转换，以获取各自对应的图结构数据；之后，利用图注意力机制对不同尺度的图结构数据进行特征提取，以获取每个尺度对应的图结构数据的图特征提取结果，图注意力机制提取能力强，提取效果优良，可以动态地计算节点之间的注意力权重，从而实现自适应的信息传播和聚合，进而确保特征提取结果的准确性；最后，利用加权融合机制对每个尺度对应的图结构数据的图特征提取结果进行整合，得到每种工况对应的概率，进而确定最终的工况类别。加权融合机制能够为不同尺度的图特征提取结果分配不同的权重，避免出现不同尺度的图特征提取结果对应的最终的工况类别相同的问题，分类更加精确。
16、本申请中的技术方案将滑动窗口、图注意力机制和加权融合机制融合在一起使用，能够深入挖掘风电多变量时间序列数据内部的时间域和特征域的潜在关联，将时间序列数据转换成图数据，提取不同尺度的信息，从而对工况实现更加精准的预测。
17、本申请的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本申请而了解。本申请的目的和其他优点可通过在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
1.一种基于多尺度的图注意力风电工况分类方法，其特征在于，包括：
2.根据权利要求1所述的分类方法，其特征在于，所述对输入的风电多变量时间序列数据进行不同程度的下采样之前，包括：
3.根据权利要求2所述的分类方法，其特征在于，所述对三维数据集进行下采样，包括：
4.根据权利要求1所述的分类方法，其特征在于，所述利用滑动窗口对不同尺度的时间序列数据进行转换，包括：
5.根据权利要求1所述的分类方法，其特征在于，所述利用图注意力机制对不同尺度的图结构数据进行特征提取之前，包括：
6.根据权利要求5所述的分类方法，其特征在于，所述利用图注意力机制对不同尺度的图结构数据进行特征提取，包括：
7.根据权利要求1所述的分类方法，其特征在于，所述利用加权融合机制对每个尺度对应的图结构数据的图特征提取结果进行整合，包括：
8.一种基于多尺度的图注意力风电工况分类装置，其特征在于，包括：
9.一种终端，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的计算机程序，其特征在于，所述处理器运行所述计算机程序时执行权利要求1至7中任一项所述的分类方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序被处理器运行时控制所述存储介质所在终端执行权利要求1至7中任一项所述的分类方法。
