Hiformer：混合频率特征增强 inverted Transformer用于长期风力预测
机器学习
2024-10-18 v1 人工智能
摘要
气候变化日益严重，迫切需要向可再生能源转型，大规模采纳风能对于减轻环境影响至关重要。然而，风力的内在不确定性为电网稳定性带来挑战，凸显了准确风能预测模型的必要性，以有效规划和运行电力系统。虽然已有许多研究聚焦于短期预测，但往往忽视长期预测的重要性。长期风力预测对于有效的电网调度和市场交易至关重要，因为其需要仔细考虑风速和风向等气象特征，这些特征直接影响发电量。因此，针对短期预测设计的方法在长期情境下可能导致结果不准确和高计算成本。为此，我们提出了一种新方法，称为Hybrid Frequency Feature Enhancement Inverted Transformer(Hiformer)。Hiformer引入独特的结构，将信号分解技术与气象特征提取技术相结合，以增强气象条件与风力发电之间的关联建模。此外，Hiformer采用仅编码器架构，减少了长期风力预测的计算复杂度。与最先进的方法相比，Hiformer：(i)可提高预测精度最高达52.5%；(ii)可降低计算时间最高达68.5%。
引用
@article{arxiv.2410.13303,
title = {Hiformer: Hybrid Frequency Feature Enhancement Inverted Transformer for Long-Term Wind Power Prediction},
author = {Chongyang Wan and Shunbo Lei and Yuan Luo},
journal= {arXiv preprint arXiv:2410.13303},
year = {2024}
}