面向长期可再生能源预测的 Channel-Time Patch Time-Series Transformer
机器学习
2026-01-23 v4
摘要
准确预测可再生能源发电对于增强现代电网在高可再生渗透率下的动态性能至关重要。本文提出了 Channel-Time Patch Time-Series Transformer（CT-PatchTST），一种新型深度学习模型，旨在为风力和太阳能发电提供长期、高保真的预测。不同于传统时间序列模型，CT-PatchTST 捕获了时序依赖性和跨通道相关性——这些是有效能源储存规划、控制和调度所必需的。可靠的预测使能主动部署能源储存系统（ESS），有助于缓解可再生能源输出的不确定性，缩短系统响应时间，并根据位置特定的流量和电压条件优化储能运行。在针对来自丹麦离岸风力、陆上风力和太阳能发电的真实数据集进行评估后，CT-PatchTST 在准确性和鲁棒性方面均优于现有方法。通过实现对集成的 source-网关-负载-储能系统中 ESS 的预测性、数据驱动的协调，本工作为设计更稳定、更具响应性和更具成本效益的电网网络作出了贡献。
引用
@article{arxiv.2501.08620,
title = {CT-PatchTST: Channel-Time Patch Time-Series Transformer for Long-Term Renewable Energy Forecasting},
author = {Kuan Lu and Menghao Huo and Yuxiao Li and Qiang Zhu and Zhenrui Chen},
journal= {arXiv preprint arXiv:2501.08620},
year = {2026}
}
备注
Published in: 2025 10th International Conference on Computer and Information Processing Technology (ISCIPT)