风电场功率预测：基于注意力的图网络与深度学习捕捉尾流损失
机器学习
2022-06-07 v2 人工智能
摘要
随着风能并入电网程度的提高，预测大型风电场预期功率产出变得愈发重要。深度学习（DL）模型能够学习数据中的复杂模式，并在预测尾流损失与预期功率产出方面取得广泛成功。本文提出一种模块化的基于注意力机制的图神经网络（GNN）框架，其中注意力可应用于图块的任何期望组件。结果表明，该模型显著优于多层感知机（MLP）与双向LSTM（BLSTM）模型，同时性能与 vanilla GNN 模型相当。此外，我们认为所提出的图注意力架构可通过灵活选用所需的注意力操作轻松适配不同应用，而这可能依赖于具体应用场景。通过对注意力权重的分析表明，采用基于注意力的GNN可洞察模型所学内容，特别是注意力网络似乎识别出了与尾流损失物理直觉相符的涡轮依赖关系。
引用
@article{arxiv.2201.03229,
title = {Wind Park Power Prediction: Attention-Based Graph Networks and Deep Learning to Capture Wake Losses},
author = {Lars Ødegaard Bentsen and Narada Dilp Warakagoda and Roy Stenbro and Paal Engelstad},
journal= {arXiv preprint arXiv:2201.03229},
year = {2022}
}
备注
12 pages, 7 figures, 1 appendix, in review process