Fast-Powerformer：一种高效轻量的中期风力功率预测Transformer
机器学习
2025-04-16 v1 信号处理
摘要
风力功率预测（WPF）作为可再生能源领域的重要研究主题，在提升电网安全性、稳定性和经济性运行方面发挥着关键作用。然而，由于气象因素（如风速）的高随机性以及风力输出的显著波动，中期风力功率预测面临在保持高精度和计算效率之间的双重挑战。为此，本文提出一种高效轻量的中期风力功率预测模型，称为Fast-Powerformer。该模型基于Reformer架构，引入结构性改进，包括轻量级长短期记忆（LSTM）嵌入模块、输入转置机制以及频率增强通道注意力机制（FECAM）。这些改进使模型能够加强时序特征提取，优化跨变量的依赖建模，显著降低计算复杂度，并提升对周期模式和主导频率成分的敏感性。在多个真实风电场数据集上的实验结果表明，所提出的Fast-Powerformer在预测准确率和运行效率方面均优于主流预测方法。此外，模型表现出快速的推理速度和低内存消耗，凸显其在实际部署场景中的重要实用价值。
引用
@article{arxiv.2504.10923,
title = {Fast-Powerformer: A Memory-Efficient Transformer for Accurate Mid-Term Wind Power Forecasting},
author = {Mingyi Zhu and Zhaoxin Li and Qiao Lin and Li Ding},
journal= {arXiv preprint arXiv:2504.10923},
year = {2025}
}
备注
Mingyi Zhu is the first author. Li Ding is the corresponding author