该研究针对时空动态风力数据集提出了时间序列预测任务，采用梯度提升决策树与循环神经网络相结合作为解决方案，辅以特征工程和评估设计，取得了较好的预测结果。

Aug, 2022

本论文提出一个可公开获取的带有真实合成功率数据的时间序列数据集，其中包括 120 个太阳能和 273 个风电站，并使用物理模型和真实气象测量值进行了虚拟电厂的仿真，同时结合物理模型和机器学习模型对天气预报为基础的功率预测进行了评估。

Apr, 2022

本文提出了一种新的基于 Transformer Network 的 Hierarchical Spatial-Temporal Transformer Network（HSTTN）模型，利用空间和时间特征增强长期风力发电预测。实验结果表明，该模型性能优于现有解决方案。

May, 2023

本文介绍了一种使用空间 - 时间图神经网络建立的风力发电预测模型。本方法在 2022 年度百度 KDD 大赛中取得了较好的成绩，并通过将 AGCRN 和 MTGNN 两种模型进行集成得到更好的结果，测试集的 RMSE 分数为 - 45.36026。

Feb, 2023

通过离线学习和在线学习过程，本文研究了一种自适应概率性风力发电预测方法，该方法在基本预测模型中引入了元学习的内外循环更新，使其具备对不同预测任务（具有不同前导时间或位置的概率性风力发电预测）的优秀适应性。该方法在在线学习阶段与增量学习技术相结合，充分利用最新信息和基本预测模型的适应性，在不同前导时间（时间上的适应）和新建风电场的预测（空间上的适应）方面取得了良好的应用效果。通过对真实世界的风力发电数据集进行数值测试，仿真结果验证了该方法相对于现有替代方法的优势。

Aug, 2023

本文介绍了一种创新的方法，利用自动深度学习结合数值天气预报风速地图，准确预测全国范围内的短期（1 到 6 小时）风力发电。

Feb, 2024

利用基于深度神经网络的域自适应方法，通过选择有效的气象特征，使用源域的预先训练模型进行预测任务，并更新最后几层的权重，从而提高风能预测的准确性。

May, 2024

该研究提出了一种名为 Windformer 的方法，通过将风力涡轮群体分为多个非重叠的窗口并计算窗口内的相关性，然后部分移动窗口以提供窗口之间的连接性，并最终基于详细和全局信息融合多通道特征，以动态建模风速变化过程。这种方法在提高预测准确性方面相较于目前其他先进方法，平均均方误差 (MSE) 能减少 2 到 15 个百分点。

Nov, 2023

本文提出了一种基于图注意力和频率增强机制的图注意力频率增强时空风速预测模型 (GFST-WSF)，该模型采用变压器架构进行时间特征提取，并采用图注意力网络 (GAT) 进行空间特征提取，从而提高短期风速预测的准确性。在案例研究中，GFST-WSF 在 6-24 小时预测范围内的风速预测中表现出比其他基线更好的性能。

May, 2023

全球站点天气预测（GSWF）对航空、农业、能源和灾害准备等各个领域至关重要。最近深度学习的进展通过基于公共气象数据优化模型，显著提高了天气预测的准确性。然而，现有的 GSWF 优化和基准数据集仍存在重大限制，如规模小、时间覆盖有限和缺乏全面的变量。为了应对这些挑战，我们推出了 WEATHER-5K 数据集，它包含来自全球 5,672 个气象站点的全面数据收集，涵盖了 10 年的时间间隔为一小时。该数据集包含多个关键的天气要素，为预测提供了更可靠、可解释的资源。此外，我们的 WEATHER-5K 数据集可作为评估现有著名预测模型的基准，扩展到 GSWF 方法之外，支持未来的时间序列研究挑战和机会。数据集和基准实现已公开在：这个 https 网址。

Jun, 2024