利用图注意力与频域增强机制改进短期风速预测
机器学习
2023-05-23 v2
摘要
在大规模风电并网系统中，风电的高变异性与随机性对电力系统的安全稳定运行构成巨大挑战。风电预测是解决该问题的有效途径，而风速预测是其中的关键方面。本文提出一种基于图注意力与频域增强机制的图注意力频域增强时空风速预测模型，即GFST-WSF，以提升短期风速预测精度。GFST-WSF由用于时间特征提取的Transformer架构与用于空间特征提取的图注意力网络（GAT）组成。GAT专门设计用于捕捉风速站点间复杂的空间依赖关系，以有效聚合图中邻近节点的信息，从而增强数据的空间表示。为建模由地理因素引起的相邻风电场间风速相关的时滞，构建了动态复杂邻接矩阵并由GAT使用。得益于有效的时空特征提取与Transformer的深度架构，在案例研究中，GFST-WSF在6至24小时提前预测区间的风速预测上优于其他基线模型。
引用
@article{arxiv.2305.11526,
title = {Enhancing Short-Term Wind Speed Forecasting using Graph Attention and Frequency-Enhanced Mechanisms},
author = {Hao Liu and Huimin Ma and Tianyu Hu},
journal= {arXiv preprint arXiv:2305.11526},
year = {2023}
}
备注
9 pages, 6 figures