海上风速预测Transformer

自适应时空融合

该模型通过可优化图矩阵和图注意力网络更充分地提取风电场集群的空间特征，突破现有模型空间建模不足的局限。

Shengmao, Lin · Shu, Wang · Xu, Xuefang · Li, Ruixiong · 时培明

Energy 2024

技术优势

空间特征提取更充分

利用地理信息、动态时间规整和最大信息系数构建可优化图矩阵，再通过图注意力网络提取空间特征，更准确地评估不同风机风速序列的相似性。

时空特征深度融合

设计基于参数优化的纠缠块，有效集成空间与时序特征，提升预测性能。

预测精度优于七种基线模型

在MAE、MSE、MAPE、TIC和IA五个指标上均优于GAT-GRU、GAT-LSTM、GAT-Transformer、GCN-GRU、GCN-LSTM、GCN-Transformer和Autoformer。

应用场景

• 海上风电功率预测：提供更准确的海上风速预测，辅助发电计划制定。
• 风电场集群监控：显式建模风机间空间相关性，提升集群级风速预测精度。
• 智能电网调度：提前获取风速预测，支撑电网安全调度与风电消纳。