STDHL：用于风电预测的时空动态超图学习
机器学习
2024-12-17 v1 信号处理
摘要
利用风电场之间的时空相关性可以显著提高超短期风电预测的准确性。然而，这些相关性的复杂性和动态性带来了重大的建模挑战。为了解决这个问题，我们提出了一种时空动态超图学习（STDHL）模型。该模型使用超图结构来表示风电场之间的空间特征。与仅捕获成对节点特征的传统图结构不同，超图创建连接多个节点的超边，从而能够表示和传输高阶空间特征。STDHL模型包含一个新颖的动态超图卷积层用于建模动态空间相关性，以及一个分组时间卷积层用于通道独立的时间建模。该模型使用时空编码器从多源协变量中提取特征，并通过预测解码器将其映射为分位数结果。使用GEFCom数据集的实验结果表明，STDHL模型优于现有的最先进方法。此外，深入分析突出了时空协变量在提高超短期预测准确性方面的关键作用。
引用
@article{arxiv.2412.11393,
title = {STDHL: Spatio-Temporal Dynamic Hypergraph Learning for Wind Power Forecasting},
author = {Xiaochong Dong and Xuemin Zhang and Ming Yang and Shengwei Mei},
journal= {arXiv preprint arXiv:2412.11393},
year = {2024}
}