.png){kind=icon}
返回
Triple-Flow Dynamic Graph Convolutional Network for Wind Power Forecasting
.png){kind=icon}
OA
AI
DOI：10.3390/sym17122026.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
风能是一种清洁但间歇性和波动性的能源，其大规模融入电力系统对确保电力系统的安全稳定运行以及实现调度优化和有效能源规划构成了巨大挑战。准确的风电功率预测是缓解风电波动对电力系统影响的有效途径。然而，风电数据通常以多变量时间序列的形式存在。现有的风电功率预测研究往往直接对耦合的风电时间序列数据的时空特性进行建模，忽略了时空异质性，从而限制了模型的表达能力。为解决上述问题，我们提出了一种三流动态图卷积网络（TFDGCN）用于短期风电功率预测。所提出的TFDGCN是一个具有三个分支的对称动态图神经网络，它解耦并学习三个不同维度的特征：风电变量序列内部、序列之间以及风机之间。所提出的TFDGCN基于变量序列内部、变量序列之间以及风机节点之间的余弦相似度构建动态稀疏图，并将其输入各自的动态图卷积模块。随后，TFDGCN利用融合了局部位置编码（LePE）和旋转位置编码（RoPE）的线性注意力编码器，学习变量序列内部、序列之间以及风机之间的全局依赖关系，并提供预测结果。在两个真实数据集上的广泛实验结果表明，所提出的TFDGCN优于其他现有最优方法。在SDWPF和SD23数据集上，所提出的TFDGCN分别实现了37.16和14.63的平均绝对误差值，以及44.84和17.56的均方根误差值。
Keyword:
wind power prediction
spatiotemporal graph neural network
dynamic sparse graph
triple-flow network structures
symmetric structured network
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
S
IF:
2.2
论文数:
1.4K
被引数:
0
机构
引用论文
分享收藏Spatiotemporal forecasting using multi-graph neural network assisted dual domain transformer for wind power多图神经网络辅助双域变压器的风电功率时空预测
PREAI
分享收藏A novel ultra-short-term wind power forecasting method based on TCN and Informer models基于TCN和Informer模型的超短期风电功率预测新方法
PREAI
分享收藏Spatio-temporal graph neural networks for power prediction in offshore wind farms using SCADA dataDaenens, S.; Verstraeten, T.; Daems, P.J.; Nowé, A.; Helsen, J. 基于SCADA数据的离岸风电场功率预测的空间-时间图神经网络。Wind Energy Sci. 2025, 10, 1137–1152. [Google Scholar] [CrossRef]
PREAI
分享收藏Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks.png)
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningOAAI
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏
查看更多内容