Jun, 2024

多元变压器增强太阳能驱动器预测

PDF
TL;DR我们开发了一个使用时间序列 Transformer（PatchTST）的全面框架来预测 F10.7、S10.7、M10.7 和 Y10.7 太阳驱动因子。我们构建了一个定制的损失函数来加权样本，以确保太阳驱动因子的历史分布和训练集之间的距离对高低太阳活动水平具有同等表示。该框架包括一个 18 天的回溯窗口，并且可以预测未来 6 天。与 Space Environment Technologies（SET）数据集进行基准测试时，我们的模型在几乎所有情况下都能产生较低的标准均方误差，并提高了在高太阳活动期间的预测准确性。所有代码都可以在 Github 的此 URL 找到。
solar drivertime series forecastingtransformercustom loss functionprediction accuracy
发现论文，激发创造
  • 神经网络集成的太阳辐射概率预测

    本文针对研究低轨道物体受热层密度影响，提出优化以 Space Environment Technologies（SET）为基础的 $F_{10.7cm}$ 预测的方法，使用神经网络集成、多层感知器和长短期记忆等模型，其中最佳模型为组合多步预测和动态预测的集成方法，相较于基线，均方根误差相对提升在 45% 至 55% 间。

    Jun, 2023

  • 时间序列价值 64 词：使用 Transformer 进行长期预测

    本文提出了一种基于 Transformer 的多元时间序列预测和自我监督表征学习的有效设计，它基于两个关键组件：时间序列划分为子序列级别的片段，这些片段作为输入标记传递给 Transformer；通道独立性，其中每个通道包含一个单变量时间序列，其在所有系列中共享相同的嵌入和 Transformer 权重。PatchTST 可以显著提高长期预测准确性，超越 SOTA Transformer-based models，并在自我监督预训练任务中实现出色的微调性能。

    Nov, 2022

  • 太阳辐照预测变压器

    本文提出了一种基于 Transformer 的短期太阳辐射预测模型，通过对连续的天空图像进行特征编码，并将其输入 Transformer 解码器，预测与未来未见天空图像相关的辐照值，同时捕捉天空图像之间的长程依赖关系，可实现对所有天空图像数据集在 15 分钟内的辐射预测精度提高至 21.45%，优于智能持久性模型。

    May, 2023

  • 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

  • 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

  • Ai4Fapar：人工智能如何帮助预测季节性地球观测信号

    本文研究了在欧洲和北非地区，利用多变量 Transformer 模型预测光合有效辐射吸收分数（FAPAR）的时间轨迹的潜力，研究了短期（1 个月）和长期（超过 1 个月）预测。通过 2002 年至 2022 年的遥感和气象数据对 FAPAR 进行建模预测，采用留一年交叉验证方法进行模型评估，并与气候基准模型进行比较。结果表明，在预测一个月后，Transformer 模型优于基准模型，使用前两个月的预测，Transformer 模型的均方根误差值在 0.02 至 0.04 FAPAR 单位之间。总体而言，经过测试的 Transformer 模型是一种在光合有效辐射吸收分数（FAPAR）预测中有效的方法，特别是与气象数据结合，用于短期预测。

    Feb, 2024

  • 多层次时间序列变换器用于长期预测

    提出了一种多分辨率时间序列变压器（MTST）框架，采用了多支架构来同时建模不同分辨率的多样化时间模式，通过相对位置编码提取不同尺度上的周期成分，与现有的时间序列变压器相比，在几个真实世界数据集上进行了广泛实验，证明了 MTST 在与最先进的预测技术的比较中的有效性。

    Nov, 2023

  • Transformer 多变量预测：多多益善？

    本研究提出了一种使用 PCA 增强的新型 Transformer 预测框架，以降低冗余信息、提高预测准确性并优化运行时间效率。通过与其他五个先进模型和四个真实世界数据集的评估结果显示，该框架能够在所有模型和数据集上最小化预测误差，并显著降低运行时间。其中 PCA+Crossformer 模型平均减少均方误差（MSE）33.3% 并缩短运行时间 49.2%。在电力数据集上，该框架降低 MSE 14.3% 和运行时间 76.6%；在交通数据集上，降低 MSE 4.8% 和运行时间 86.9%。本研究旨在推进各种先进模型，增强基于 Transformer 的时间序列预测能力，以适用于复杂数据。

    Dec, 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

  • SolarFormer: 面向太阳能光伏数据特征加工的多尺度 Transformer

    全球气候变化加剧，将转向可持续能源的必要性日益突出。本文介绍了一种用于航拍图像中太阳能电池板分割的 SolarFormer，并通过多尺度 Transformer 编码器和自注意力 Transformer 解码器解决了诸多复杂性，改进了太阳能电池板定位。通过在不同 GSD 的多个数据集上进行广泛实验，我们严谨地评估了 SolarFormer 模型，结果表明其在全球可持续能源倡议中提供了改进的太阳能电池板分割性能。

    Oct, 2023