TCNFormer：用于短期风速预测的时间卷积网络Former
机器学习
2024-08-29 v1 人工智能
摘要
全球环境挑战和日益增长的能源需求导致广泛探索风能技术。准确的风速预测 (WSF) 对优化风能获取和确保系统稳定性至关重要。然而，由于风速具有内在的随机性、波动性和不可预测性，风速预测仍然具有挑战性。本研究提出了用于短期（12小时）风速预测的Temporal Convolutional Network Former (TCNFormer)。TCNFormer将Temporal Convolutional Network (TCN) 和transformer encoder集成在一起，用于捕获风速的时空特征。transformer encoder包含两种不同的注意力机制：因果时序多头自注意力 (CT-MSA) 和时序外部注意力 (TEA)。CT-MSA确保某一步的输出仅来自前续步骤，即因果性。同时引入局部性以提高效率。TEA探索风速数据中不同样本序列之间的潜在关系。本研究利用来自NASA Prediction of Worldwide Energy Resources (NASA POWER) 的风速数据，数据来自孟加拉国的帕茜加海滩 (纬度22.2352{\deg} N，经度91.7914{\deg} E)，覆盖一年（六个季节）。研究结果表明，TCNFormer在预测准确性方面优于领先的模型。该提出的TCNFormer为时空风速预测提供了有前景的方法，可能在风力系统的实际应用中实现理想的性能。
引用
@article{arxiv.2408.15737,
title = {TCNFormer: Temporal Convolutional Network Former for Short-Term Wind Speed Forecasting},
author = {Abid Hasan Zim and Aquib Iqbal and Asad Malik and Zhicheng Dong and Hanzhou Wu},
journal= {arXiv preprint arXiv:2408.15737},
year = {2024}
}