基于自注意力的深度学习模型配合演化网格搜索用于波浪电场预测
机器学习
2025-11-04 v4 人工智能
最优化与控制
机器学习
摘要
实现碳中和是联合国可持续发展目标 #13 的关键重点，推动波浪能这一可再生资源的探索。波浪能年可产生 30,000 TWh 清洁电力，足以满足全球需求，但由于技术与经济挑战，波浪能仍未得到广泛发展，尤其是波浪电场功率输出预测，对于电网稳定和商业可行性至关重要。本研究提出一种新型预测框架以增强波浪能在电网中的整合。该框架引入一种混合顺序学习模型，结合自注意力增强的卷积双向长短期记忆网络（Self-Attention-enhanced Convolutional Bi-LSTM），并采用超参数演化网格搜索进行优化。该模型利用波浪能转换器（WECs）的空间数据，并以澳大利亚阿德莱德、悉尼、珀斯和塔斯马尼亚的波浪电场数据为实验依据。与十个机器学习算法对基准测试，本模型在各数据集上实现了卓越的预测精度，R2 分别为阿德莱德 91.7%、珀斯 88.0%、塔斯马尼亚 82.8%、悉尼 91.0%。该模型超越传统机器学习和深度学习方法，为不同海洋环境下的波浪能输出提供了稳健且可扩展的预测，支持可靠的能源系统整合。
引用
@article{arxiv.2507.09846,
title = {Through the River: Understanding the Benefit of Schedule-Free Methods for Language Model Training},
author = {Minhak Song and Beomhan Baek and Kwangjun Ahn and Chulhee Yun},
journal= {arXiv preprint arXiv:2507.09846},
year = {2025}
}
备注
Published at NeurIPS 2025