利用变分模态分解的时序融合变压器进行风电功率预测
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
本文提出了一种新颖的智能混合风速预测模型(ICEEMDAN-TNF-MLPN-RECS),相较于现有技术在不同的时间范围内实现了更高的精确度,降低了电力系统工程师的工作量。
Apr, 2022
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
介绍了一种名为 Temporal Fusion Transformer(TFT)的基于注意机制的新型深度学习模型,以高效且可解释的方式解决多步预测中存在的多个输入和时间动态性问题,在实际数据集上表现出显著的性能和可解释性。
Dec, 2019
本研究使用图神经网络和不同的 Transformer 架构,探讨风速预测的时空依赖性,提出了 Fast Fourier Transformer 和 Autoformer 架构,使用这些架构的模型在时空预测上的表现优于其他模型。
Aug, 2022
研究了基于 Transformer 模型的时间序列预测方法在短期电力负载预测中的应用,结果表明,该方法不如基于 LSTM 模型在整个电网范围内的日前负载预测性能优越,但在细分的变电站层面上表现出显著的预测性能提升,并且在周前负载预测上具有优越性。
May, 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
本篇论文研究了如何使用单变量时间序列预测复杂时间序列(如印度季风降雨量)。作者提出了一种新的 Moving Front 方法来防止数据泄漏,并使用经验小波变换将季风降雨量分解为较简单的构成序列。所提出的 EWT-MF-LSTM 模型表现出良好的预测性能。
Mar, 2023
利用 VMD-LSTM-GARCH 模型,将时间序列分解为子模式,并从这些子模式中提取波动率信息,然后利用长期短期记忆网络对每个子模式进行预测,最后将所有子模式的预测结果进行聚合,通过集成计量经济学和人工智能方法,考虑时间序列的数字和波动率信息,该模型在时间序列预测中具有优越的性能。
Oct, 2023
该论文提出了一种新颖的数据驱动模型,能够准确预测任意布局、偏航角配置和风况下所有风电场的发电量。该模型通过将风电场编码成全连接图,并通过图变换器处理图表示来实现。结果表明,该图变换器代理模型具有良好的泛化能力,并能发现风电场图表示中的潜在结构模式。演示了如何使用所得的代理模型通过遗传算法优化偏航角配置,实现与工业标准风电场模拟工具类似的准确性,但计算成本仅为一小部分。
Nov, 2023