Feb, 2024

大规模光伏衰减分析的并行友好时空图学习

PDF
TL;DR我们提出了一种新颖的时空图神经网络增强趋势分析方法（ST-GTrend），用于对光伏电力网络进行车队级性能退化分析。
spatio-temporal graph neural networkperformance degradation analysisphotovoltaic power networksperformance loss ratepv inverters
发现论文，激发创造
  • 跨变量线性集成增强型光伏发电功率预测变压器

    提出了 PV-Client (Cross-variable Linear Integrated ENhanced Transformer) 用于光伏发电功率预测，采用增强 Transformer 模块捕获不同特征之间的复杂相互作用，使用线性模块学习光伏功率的趋势信息，并整合交叉变量注意力以捕获光伏功率与天气因素之间的依赖关系。实验结果表明，PV-Client 在光伏发电功率预测方面表现卓越。

    Jun, 2024

  • 基于图形的深度建模和稀疏时空数据实时预测

    提出了一个通用的时空数据建模、分析和预测框架，重点关注空间和时间都稀疏的数据。该框架由自激励点过程和图结构循环神经网络两个组成部分无缝耦合，并实现了更精准的实时预测，针对犯罪和交通预测具有良好的效果。

    Apr, 2018

  • 增强型时空图神经网络预训练在多元时间序列预测中的应用

    本文介绍了一种新型的预训练框架，将 “可扩展时间序列预训练模型”（STEP）与 “空间 - 时间图神经网络”（STGNN）相结合，通过长期历史时间序列数据的预处理，提供上下文信息，显著提高预测准确性。

    Jun, 2022

  • 基于图分解学习的多因素时空预测

    我们提出了一个多因素时空预测任务，预测不同因素下局部时空数据的演变，并将它们结合起来进行最终预测。通过理论解决方案和可移植的实例化框架，我们在这个任务中做出了两个贡献：提出了一种称为分解预测策略的有效理论解决方案，并从信息熵理论的角度证明了其有效性。在此基础上，我们实例化了一个新颖的模型无关框架，名为时空图分解学习（STGDL），用于多因素时空预测。框架包括两个主要组件：自动图分解模块，将时空数据中固有的原始图结构分解为对应于不同因素的子图，以及分解学习网络，分别学习每个子图上的局部时空数据，并将它们整合为最终预测。我们对两种类型的四个真实世界时空数据集进行大量实验，即网格图和网络图。结果表明我们的框架平均显著减少了各种时空模型的预测误差（最多达到 35.36% 的减少）。此外，一项案例研究揭示了我们框架的可解释性潜力。

    Oct, 2023

  • GPT-ST：时空图神经网络的生成式预训练

    该研究提出了一个融入下游基线模型并提升其性能的时空预训练框架，其中包括一个时空蒙版自编码器和一个自适应蒙版策略，通过学习时空依赖关系和不同关系的建模，在交通管理和旅行规划方面取得了显著的效果。

    Nov, 2023

  • 多关系图扩散神经网络与并行保留用于股票趋势分类

    股票趋势分类是一项基本但具有挑战性的任务，本文提出了一种基于图表示学习的方法来预测多个股票未来的走势，通过生成动态的多关系股票图来建模股票之间复杂的时变关系，然后通过随机多关系扩散过程进一步改进这些初始图，并实现并行保留的解耦表示学习方案来获取最终的图表示。在美国（纳斯达克和纽约证券交易所）和中国（上海证券交易所）的真实数据集上进行的综合实验验证了我们方法的有效性，这一方法在涵盖七年的三个测试期间的预测下一个交易日股票趋势方面一直优于现有技术基线模型。

    Jan, 2024

  • MATNet：基于多级融合和自注意力变换器模型的多变量多步日前光伏发电预测

    该研究提出了一种新的基于自注意力转换器的混合方法，称为 MATNet，用于预测多元多步骤日前光伏发电量。MATNet 模型有效地结合了 AI 模型的优势与基于物理知识的模型，以提高光伏预测的准确性。

    Jun, 2023

  • SolNet: 全球光伏发电功率预测的开源深度学习模型

    提出 SolNet: 一种新颖的、通用的、多变量的太阳能发电预报模型，通过使用来自 PVGIS 的丰富合成数据进行迁移学习，然后在观测数据上进行微调，解决了太阳能预测中数据匮乏的挑战，并通过荷兰、澳大利亚和比利时的实际生产数据展示了其在预测性能上的优势。

    May, 2024

  • 基于 PMU 测量的深度迁移学习电力系统短期电压稳定性评估

    基于深度迁移学习的测量装置定向测量方法通过深度学习有效处理了面对电力系统短期电压稳定性评估（STVSA）的拓扑变化、样本标注和小规模数据集等挑战，并在 IEEE 39-bus 测试系统上进一步证实了其在处理拓扑变化方面的适应性，通过与传统方法相比提高了约 20% 的模型评估准确性。这种方法还利用 Transformer 模型的自注意力机制对浅层学习方法和基于深度学习的其他方法具有明显优势。

    Aug, 2023

  • 基于 Transformer 架构的深度学习用于电力系统短期电压稳定性评估 —— 类别不平衡

    现有的数据驱动电力系统短期电压稳定性评估 (STVSA) 方法假定输入数据的类别平衡。然而，在实际应用中，干扰后出现短期电压不稳定的情况很少，导致严重的类别不平衡问题和分类器性能下降。为解决这一挑战，本论文提出了一种基于 Transformer 的 STVSA 方法。通过利用基本的 Transformer 结构，提出了一种稳定性评估 Transformer (StaaT) 作为分类模型，反映系统运行状态和稳定性结果之间的相关性。为应对不平衡数据集的负面影响，本研究采用带有梯度惩罚的条件 Wasserstein 生成对抗网络 (CWGAN-GP) 用于合成数据生成，帮助创建一个平衡且代表性的训练集用于分类器。此外，还实施了半监督聚类学习来提高聚类质量，解决了短期电压稳定性缺乏统一量化标准的问题。在 IEEE 39 节点测试系统上进行的数值测试广泛证明了所提出方法在类别不平衡达到 100:1 和噪声环境下的鲁棒性，并且即使增加了可再生能源的渗透，方法的有效性仍然保持一致。比较结果表明，CWGAN-GP 生成的数据集更平衡，而 StaaT 优于其他深度学习算法。该研究提供了一个具有说服力的解决方案，适用于经常面临类别不平衡和数据噪声挑战的实际 STVSA 应用场景。

    Oct, 2023