.png){kind=icon}
返回
A novel spatiotemporal model with static-dynamic graph learning for multi-node wind speed forecasting
.png){kind=icon}
PRE
AI
DOI：10.1007/s11227-026-08589-0.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确的风速预测对于优化风能利用至关重要。现有模型通常忽视动态空间关联和先验知识，导致性能欠佳。为解决此问题，本研究引入了SDG-WindNet，一种结合静态和动态图学习的新型时空模型用于风速预测。长期静态模式通过加权地理距离和动态时间弯曲（DTW）距离获取，而短期动态关系则通过迭代节点嵌入和多头注意力机制捕捉。该模型整合了动态时间特征、双图卷积网络（GCN）和时序卷积网络（TCN），能够从演变的风速数据中实现深度的时空特征提取。在三个真实数据集上的广泛仿真验证了SDG-WindNet的优越性。对于短期预测，在荷兰数据集上实现了平均4.68%的绝对平均误差（MAE）和10.84%的均方误差（MSE）改进，在美国数据集上为2.50%和4.15%。对于长期预测，在丹麦数据集上实现了2.31%的MAE和3.22%的MSE改进。此外，SDG-WindNet的非循环架构支持在GPU加速的高性能计算平台上完全并行化，达到适合大规模风电场管理系统实时运营部署的推理延迟。
Keyword:
Long-term and short-term patterns
Stacked dynamic graph learning layers
Spatiotemporal features
Graph convolutional networks
Wind speed forecasting
期刊
T
IF:
0
论文数:
647
被引数:
0
机构
引用论文
Spatio-Temporal Graph Deep Neural Network for Short-Term Wind Speed Forecasting用于短期风速预测的时空图深度神经网络
PREAI
分享收藏Windformer: A novel 4D high-resolution system for multi-step wind speed vector forecasting based on temporal shifted window multi-head self-attention.png)
ENERGY
ENERGYIF9.4
PREAI
分享收藏分享收藏A combined forecasting model for time series: Application to short-term wind speed forecasting时间序列组合预测模型在短期风速预测中的应用APPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏
查看更多内容