.png){kind=icon}
返回
Non-Forecasting Self-Supervised Masked-Reconstruction Framework
.png){kind=icon}
OA
AI
DOI：10.3390/computers15110761.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本研究探讨了在不预测窗口之外的情况下，对太阳能和风能时间序列中观测窗口内隐藏值的自监督重建。DualAxis架构在24小时窗口中顺序建模时序和跨特征依赖关系，提供点重建和96维表示。一种时间顺序协议将训练、验证和回顾性测试分区分离，且不重叠源行，并使用共享评估掩码。DualAxis与Transformer、门控循环单元（GRU）自动编码器、SAITS和经典插补器进行比较。在主要测试集上，使用30%随机掩码，对十个信号进行平均，三次训练运行后的均方根误差（RMSE）DualAxis为0.0908，SAITS为0.1031，而线性插值达到0.0774。两个独立数据集、滚动起点验证和结构化缺失性表明，方法排名取决于评估条件。结合重建误差和嵌入异常性的综合质量控制（QC）分数在去除密度分量或模型重新训练时发生显著变化。受控的损坏并未证实可靠的自动故障检测。蒙特卡洛dropout不确定性与两个生成通道的误差中度相关，但区间未达到名义覆盖率。结果表明，可再生能源数据的多任务非预测分析的能力和显著局限性。
Keyword:
self-supervised learning
masked reconstruction
time-series imputation
renewable energy
solar and wind generation
data quality control
uncertainty estimation
regime discovery
reproducibility
期刊
C
IF:
4.2
论文数:
1.5K
被引数:
3.3K
机构
暂无机构信息
引用论文
Robust imputation of missing photovoltaic power data using a weather- and context-aware hybrid transformer framework基于天气和情境感知的混合Transformer框架对缺失光伏功率数据的稳健插补.png)
Renewable Energy
Renewable EnergyIF9.1
PREAI
分享收藏Silhouettes: A graphical aid to the interpretation and validation of cluster analysis剪影: 对聚类分析的解释和验证的图形辅助
OAAI
OAAI分享收藏分享收藏
查看更多内容