基于分层时空Transformer的长期风电功率预测
机器学习
2023-05-31 v1 人工智能
摘要
风电因其可再生、无污染等优势正受到全球日益增多的关注。然而，将高渗透率间歇性电力安全稳定地并入电力系统仍具挑战。准确的风电功率预测（WPF）可有效降低电力系统运行中的功率波动。现有方法主要面向短期预测，缺乏有效的时空特征增强。本工作中，我们提出一种名为分层时空Transformer网络（HSTTN）的新颖端到端风电功率预测模型，以解决长期WPF问题。具体而言，我们构建带跳跃连接的沙漏形编码器-解码器框架，联合建模分层时间尺度上聚合的表示，有益于长期预测。基于此框架，我们通过两个并行Transformer骨架捕捉跨尺度长程时间依赖与全局空间相关性，并借助下采样与上采样操作强化尺度内连接。此外，空间与时间特征的互补信息通过上下文融合块（CFBs）相互融合与传播以进一步促进预测。在两个大规模真实数据集上的大量实验结果证明了我们的HSTTN相对于现有方案的优越性能。
引用
@article{arxiv.2305.18724,
title = {Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer},
author = {Yang Zhang and Lingbo Liu and Xinyu Xiong and Guanbin Li and Guoli Wang and Liang Lin},
journal= {arXiv preprint arXiv:2305.18724},
year = {2023}
}
备注
Accepted to IJCAI 2023