May, 2023

利用时间融合变压器进行短期电力负荷预测：网格层次和数据来源的影响

PDF
TL;DR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。
energy transitionload forecastingtransformer architecturetemporal fusion transformergrid management
发现论文，激发创造
  • 可解释的多时段时间序列预测的时间融合变压器

    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

  • 时序融合 Transformer 用于流量预测：结合注意力与循环的价值

    本文研究了结合循环和注意力的方法是否能够提高水文预测的精度并将 Temporal Fusion Transformer (TFT) 模型应用于水文学领域。在 2600 个以上的全球分布的集水区的实验表明，TFT 模型的表现超过了 LSTM 和 Transformers 模型，并可帮助获得流域产流过程的更多见解。

    May, 2023

  • 基于 Transformer 的联邦学习的智能电网安全短期负荷预测

    本文介绍了一种基于 Transformer 的深度学习方法，利用联邦学习进行短期电力负荷预测，模型的性能超过了长短时记忆模型和卷积神经网络，是联邦学习中值得期待的一个替代方案。

    Oct, 2023

  • 基于分层时空 Transformer 的长期风力预测

    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

  • 基于 Transformer 的居家能源管理系统中的迁移学习需求预测

    通过使用多个家庭的数据进行迁移学习，我们能够提高单个家庭负载预测的准确性和控制性能，进而降低能源成本并优化光伏系统和电池储存的利用。

    Oct, 2023

  • 时间序列预测的深度学习：电力负荷案例

    本文探讨了在智能电网等关键基础设施中实现高效运营所需的精确电力负荷预测的问题，提出了基于深度学习模型应用于电力负荷预测问题的最新趋势，并通过实验评估了前馈神经网络、循环神经网络、序列到序列模型和时空卷积神经网络等多种深度学习模型在短期负荷预测方面的性能表现。

    Jul, 2019

  • 基于转移学习的日前负荷预测：欧洲国家电力需求时间序列的案例研究

    短期负荷预测 (STLF) 对电网的日常运营至关重要。然而，电力需求时间序列的非线性、非平稳性和随机性使得 STLF 成为一项具有挑战性的任务。本研究通过考虑一组表示欧洲国家次日电力需求的 27 个时间序列，研究了一种名为迁移学习 (TL) 的特殊 STLF 情况下的性能。我们使用一种流行且易于实施的神经网络 (NN) 模型，并进行聚类分析以识别系列之间的相似模式并辅助 TL。在这个背景下，我们编译并比较了两种不同的 TL 方法，一种包括聚类步骤，一种不包括，并与传统的 NN 训练设置进行了比较。我们的结果表明，TL 可以胜过传统方法，特别是当考虑到聚类技术时。

    Oct, 2023

  • 深度学习模型对日前负载预测的比较评估：探究关键准确性驱动因素

    本研究旨在比较不同深度学习模型在短期负荷预测方面的准确性，并针对葡萄牙的国家网联合短期负荷预测，进行多层感知器、N-BEATS、长短期记忆神经网络和时间卷积网络等一些具有代表性的自回归神经网络的评估，并进行后续分析以确定最合适的模型。结果表明，N-BEATS 模型始终优于其它深度学习模型，并且外部因素显著影响准确性，从而影响模型的实际和相对性能。

    Feb, 2023

  • 用于预测多个负载时间序列的 Transformer 训练策略

    研究使用 Transformer 进行电力负荷预测，并测试转移学习策略的有效性，表明全局模型优于其他训练策略，使得 Transformer 在正确的策略下是有效的电力负载预测方法。

    Jun, 2023

  • 利用时间融合变压器 (TFT) 对全球每小时 GPP 进行升维

    本研究探索了一种新的方法，利用时间融合变压器 (Temporal Fusion Transformer) 将静态变量和时变变量一起考虑，以在缺乏较高时间分辨率输入特征以及存在显著遗漏值的情况下，上采样在局部到全球尺度上量化大小植被原初生产力 (Gross Primary Productivity) 的问题。同时，该研究还对时空因子的影响进行了可解释性的分析。

    Jun, 2023