由多地点气象数据引导的高效确定性可再生能源预测
机器学习
2025-01-06 v2 人工智能
摘要
可再生能源产生的电力已被确立为解决能源短缺和传统能源生产方式产生的环境污染的有效良方。太阳能和风能是两种最主要的可再生能源。对这些能源发电量的准确预测有助于将其整合到电网中，通过最大限度地减少其管理和运行方面不确定性的负面影响。本文提出了一种新颖的方法，利用多地点气象预报对多个发电站进行确定性的风能和太阳能发电预测。该方法采用 U 型时间卷积自编码器（UTCAE）架构，对每个站点的气象相关和能源相关时间序列进行时间处理。受多头缩放点积注意力机制启发而提出的多尺度卷积核时空注意力（MKST-Attention），旨在没有发电站位置和所提供气象数据位置的先验知识的情况下，有效地将时间模式从气象数据转移到能源数据。在五个数据集上的日前太阳能和风能预测场景中进行的实验评估表明，所提出的方法取得了顶尖结果，优于所有具有竞争力的时间序列预测 SOTA 方法。
引用
@article{arxiv.2404.17276,
title = {Efficient Deterministic Renewable Energy Forecasting Guided by Multiple-Location Weather Data},
author = {Charalampos Symeonidis and Nikos Nikolaidis},
journal= {arXiv preprint arXiv:2404.17276},
year = {2025}
}
备注
This preprint has not undergone peer review or any post-submission improvements or corrections. The Version of Record of this article is published in Neural Computing and Applications, and is available online at https://doi.org/10.1007/s00521-024-10607-2