基于分层时空 Transformer 的长期风力预测
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
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
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
本文提出了一种新的空间 - 时间变换网络的范例来改善长期交通预测的准确性,其中使用图神经网络和自注意机制来动态建模交通数据中的有向空间相关性,并利用跨多个时间步骤的长程双向时间依赖性。实验证明,该模型在 Real-world 数据集上预测交通流量方面的性能要好于现有工作。
Jan, 2020
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
本研究使用 VMD 分解风力系列和 TFT 模型进行 1 小时、3 小时和 6 小时的预测,结果表明 VMD 优于其他分解算法,而 TFT 模型优于其他分解模型。
Feb, 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
本论文讨论了长期时间序列预测 (LTTF) 中的 Transformer 模型,提出了一种有效的基于 Transformer 的模型 Conformer,采用编码器 - 解码器架构和正则化流派生的模块进一步提高信息利用率,并显式地建模时间序列数据中的互系列相关性和时间动态以加强下游自我关注机制,实验表明 Conformer 模型在 LTTF 中优于现有的方法,并可生成可靠的预测结果与不确定性量化。
Jan, 2023
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
本研究提出了一种完整的解决方案,包括特征提取和目标预测,旨在解决多变量长期时间序列预测中的空间特征提取和不同预测时期的一致性问题。新的方法称为 “时空编码串联变压器(Stecformer)”,其采用高效的时空编码提取器和级联解码预测器来改善基线模型的性能,并在五个基准数据集上实现了与基线模型可比较的最先进性能。
May, 2023