.png){kind=icon}
返回
Feature fusion temporal convolution: Wind power forecasting with light hyperparameter optimization
.png){kind=icon}
PRE
AI
DOI：10.1016/j.egyr.2025.01.060.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
电力预测是维持电力系统稳定性和效率的关键组成部分，特别是在应用能源的背景下。将先进的深度学习（DL）技术集成到电力预测中已经引起了显著的关注和应用热潮。这种关注在风能预测这一具有挑战性的领域中尤为相关，其中对准确预测的需求因数据变异性的加剧以及风能在国家电网中地位的提升而显著增强。本文介绍了一种新颖的方法，整合了特征融合网络（FFN）和时序卷积网络（TCN）架构的优势，用于电力预测任务。我们的主要贡献在于利用这些深度学习技术，结合细致的特征选择，以提高预测精度和数据变异性。本研究采用了两个多样化的数据集，每个数据集均呈现其独特的挑战，以验证所提出的FFN-TCN模型的鲁棒性。集成的FFN-TCN模型优于当前最先进的基准模型，实现了19.0655的均方绝对误差（MAE）、19.5的均方误差（MSE）、14.6433的均方根误差（RMSE）、0.9737的相关系数以及0.997的决定系数（R2）。在案例研究中，我们的模型平均Nash-Sutcliffe系数（NSC）达到0.9997，显示出强大的风能预测能力。这些指标不仅展示了FFN-TCN框架的有效性，也突显了严格特征选择的优势。与现有模型相比，经过特征选择增强的所提出的FFN-TCN模型在电力预测中展现出作为黄金标准的潜力。其在两个数据集上均能提供更优结果的能力，凸显了其适应性、可靠性和有前景的发现。本研究为电力预测应用领域的未来工作奠定了基础，强调了先进神经网络架构与风能供应及负荷需求之间的协同作用。
Keyword:
Feature fusion networks
Temporal convolution network
Wind power forecasting
Deep learning
Renewable energy
期刊
M
IF:
13.8
论文数:
1.4K
被引数:
1.3K
机构
引用论文
Long short-term memory recurrent neural network for modeling temporal patterns in long-term power forecasting for solar PV facilities: Case study of South Korea用于太阳能光伏设施长期功率预测中的时间模式建模的长短期记忆递归神经网络: 韩国的案例研究
PREAI
分享收藏A novel meta-learning approach for few-shot short-term wind power forecasting.png)
APPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏A review of short-term wind power generation forecasting methods in recent technological trends
PREAI
分享收藏Powerformer: A temporal-based transformer model for wind power forecastingPowerformer: 一种基于时间的变压器风电功率预测模型
OAAI
OAAI分享收藏A novel decomposition-ensemble learning framework for multi-step ahead wind energy forecastingENERGY
ENERGYIF9.4
PREAI
分享收藏Innovative hybrid models for forecasting time series applied in wind generation based on the combination of time series models with artificial neural networksENERGY
ENERGYIF9.4
PREAI
分享收藏
查看更多内容