用户,您好,欢迎您进入NSTL重点领域信息门户! 登录 | 注册  帮助中心
重点领域信息门户
您当前的位置: 首页 > 编译内容

编译内容

编译服务: 可再生能源 编译者: dumin 发布时间: Sep 13, 2021 点击量: 1187

集锦

• 提出了一种用于多节点海上风速预测的图优化模型。

• GCN模块可以捕获多个风节点关系的空间相关性。

• 通道注意力(Channel-wise attention )区分节点对空间维度的贡献。

• 专门采用并行LSTM(一般指长短期记忆人工神经网络)来进一步集成时间依赖性。

• 所提出的STGN可以跟踪实际风速趋势并保持稳定性。

摘要

准确的风速预测对于维护海上风电的稳定性具有重要作用。当前的大多数预测都基于单个风节点。这种方法很难捕捉风的高维特征和潜在的时空相关性。在本文中,我们提出了一种专门用于多节点海上风速预测的通用图优化神经网络,称为时空相关图神经网络。该模型首先利用图卷积代替传统的卷积进行拉普拉斯变换,以更好地从节点关系和历史时间序列中获取潜在的空间相关性。通道注意力使邻接矩阵构建的区域内的原始集中权重分散到所有输入节点,从而区分节点的贡献并生成高维空间特征。长-短记忆用于从高维空间特征中提取时间相关性。该模型能够最大限度地挖掘多个风节点的时空相关性潜力。实验选取了中国海120个风节点进行预报。结果表明,该模型与现有的风速预测方法相比具有很强的竞争力,在多节点、多步风速预测中具有良好的性能。

关键词

风速时间序列预测 深度学习 图神经网络 长期短期记忆 空间时间依赖性 渠道注意力

 

提供服务
导出本资源