.png){kind=icon}
返回
Collaborative Probabilistic Wind Power Forecasting Using Adaptive Flow Matching Enhanced Neural Process
.png){kind=icon}
PRE
AI
DOI：10.1002/acs.70138.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着风力发电的大规模集成，其固有的间歇性和不确定性对电力系统运行构成重大挑战。现有的概率预测方法往往难以捕捉多台风力发电机之间的时空相关性，并且难以泛化到未见过的风力发电机或未来时间步。为解决这些问题，我们提出了一种基于流匹配增强神经过程的创新多风力发电机协作概率预测框架。通过将风力发电预测表述为条件随机过程，我们的方法通过基于Transformer的编码器自然实现了跨风力发电机的知识共享。引入流匹配使得单步或少数步采样高效进行，同时避免了变分下界的使用，因此更为有效。在包含134台风力发电机、历时245天的真实世界数据集上的实验表明，所提出的框架取得了卓越的性能，在RMSE、MAE和连续排名概率得分方面显著优于现有的神经过程变体和深度学习基准。
Keyword:
flow matching
neural processes
probabilistic forecasting
spatiotemporal modeling
wind power forecasting
期刊
IF:
3.8
论文数:
2.6K
被引数:
3.6K
机构
引用论文
Spatiotemporal Wind Energy Forecasting: A Comprehensive Survey and a Deep Equilibrium-Based Case Study With StemGNN时空风能预测：一项全面的综述和基于深度平衡模型的案例研究（与StemGNN）.png)
IEEE Access
OAAI
IEEE AccessIF3.6
OAAI分享收藏分享收藏分享收藏A review of wind speed and wind power forecasting with deep neural networks基于深度神经网络的风速和风功率预测研究综述APPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏Wind speed prediction method using Shared Weight Long Short-Term Memory Network and Gaussian Process RegressionAPPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏
分享收藏
查看更多内容