May, 2023

利用图注意力和频率增强机制提高短期风速预测的准确性

PDF
TL;DR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。
wind power forecastinggraph attentionfrequency-enhanced mechanismsshort-term forecastingspatio-temporal feature extraction
发现论文，激发创造
  • 使用图网络和新型 Transformer 架构进行时空风速预测

    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

  • 基于注意力门控循环神经网络和误差更正策略的短期风速预测模型

    基于改进的门控循环神经网络（AtGRU）和错误校正策略，本论文提出了一种短期风速预测模型。该模型通过使用 AtGRU 模型作为初步预测器和 GRU 模型作为错误纠正器，利用 Singular Spectrum Analysis (SSA) 对风速序列降噪，并通过 Variational Modal Decomposition (VMD) 对预测误差进行训练。在三个案例研究中，该模型在 Woodburn、St. Thomas 和 Santa Cruz 的风速预测中表现出色，明显提高了风速预测的准确性。

    Apr, 2024

  • 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

  • Windformer: 风速预测的双向长距离时空网络

    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

  • 基于自适应降噪技术和时域卷积网络的风电场超短期多步风速预测

    提出了一种基于数据降噪技术、时序卷积网络（TCN）和门控循环单元（GRU）的新型风速预测模型，通过数据降噪、特征提取和序列预测实现了具有高精度和强稳定性的风速预测，为风电场的运行和管理提供了支持。

    Nov, 2023

  • 利用形状特征工程提高风速和风力预测的准确性和鲁棒性的新方法

    通过改变卷积神经网络 - 长短期记忆（CNN-LSTM）和自回归模型的输入数据形状，这项研究探索了一种新的特征工程方法以提高对噪声的处理能力，并取得了显著的改善，使其能够以 83％的准确率预测长达 24 个时间步的未见数据，同时在短期、中期和长期预测方面始终表现出较高的准确性，优于单个模型的性能，为进一步研究形状导向的特征工程在不同预测时间范围内的噪声降低策略铺平了道路。

    Jan, 2024

  • 一个时空深度神经网络用于细粒度多时间段风速预测

    我们提出了一个新的数据驱动模型，Multi-Horizon SpatioTemporal Network (MHSTN)，以准确高效地进行细粒度的风速预测，该模型通过整合多个深度神经网络来处理各种数据来源，并为给定区域内的所有站点产生多时间段的预测。

    Sep, 2023

  • 动态多图注意力实现长期时空预测

    本文研究多图神经网络在长期时空预测中的应用，提出了一种新的动态多图融合模块来描述不同图之间的节点相关性，并引入可训练权重张量来指示不同图中每个节点的重要性。实验证明，我们的方法在长期时空预测任务中显著提高了现有图神经网络模型的性能。

    Apr, 2022

  • SFANet：面向天气预报的空间频率注意力网络

    提出了 Spatial-Frequency Attention Network（SFANet），这是一个新颖的深度学习框架，通过解决传统方法难以捕捉气象系统复杂动力学的问题，在高分辨率数据存在的情况下提高时空天气预测的准确性。通过整合先进的令牌混合和注意机制，SFANet 优化处理高维时空序列的过程，以捕捉组件间的关系信息和建模广泛的长距离关系。具有空间频率注意模块的 SFANet 能够捕捉复杂的跨模态相关性，并在两个不同数据集上展示了惊人的性能，证明其在预测降水模式和预测 El Niño 事件方面具有卓越的能力。

    May, 2024

  • FECAM: 时间序列预测的频率增强通道注意机制

    本研究提出了一种新的频率增强通道注意力机制，可以自适应地建模通道之间的频率相互依赖关系，避免傅里叶变换中出现的问题性周期性引起的高频噪声，目的是改善当前主流网络的预测能力，并显示出良好的性能。

    Dec, 2022