时空关注网络在风电预测中的应用
风能是最重要的可再生能源之一，准确的风能预测对于可靠且经济的电力系统运行和控制策略非常重要。 本文提出了一种具有时空关注网络（STAN）的风电预测新框架。 该模型捕获了风电场之间的空间相关性以及风电时间序列的时间依赖性。 首先，我们采用多头自我关注机制来提取风电场之间的空间相关性。 然后，通过具有全局注意机制的序列到序列（Seq2Seq）模型捕获时间依赖性
应用介绍
风能是最重要的可再生能源之一，准确的风能预测对于可靠且经济的电力系统运行和控制策略非常重要。 本文提出了一种具有时空关注网络（STAN）的风电预测新框架。 该模型捕获了风电场之间的空间相关性以及风电时间序列的时间依赖性。 首先，我们采用多头自我关注机制来提取风电场之间的空间相关性。 然后，通过具有全局注意机制的序列到序列（Seq2Seq）模型捕获时间依赖性。 最后，实验结果表明我们的模型比其他基准方法具有更好的性能。 我们的工作为捕获非欧几里得空间相关性提供了有用的见解
©版权声明：本文内容由互联网用户自发贡献，版权归原创作者所有，本站不拥有所有权，也不承担相关法律责任。如果您发现本站中有涉嫌抄袭的内容，欢迎发送邮件至： [email protected] 进行举报，并提供相关证据，一经查实，本站将立刻删除涉嫌侵权内容。
转载请注明出处： apollocode » 时空关注网络在风电预测中的应用
文件列表(部分)
| 名称 | 大小 | 修改日期 |
|---|---|---|
| EncoderDecoder.py | 0.75 KB | 2019-09-21 |
| main.py | 1.24 KB | 2019-09-21 |
| model.py | 0.67 KB | 2019-09-21 |
| module.py | 1.23 KB | 2019-09-21 |
| Spatiotemporal-Attention-Networks | 0.00 KB | 2020-07-02 |
发表评论 取消回复