論文の概要: Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer

• arxiv url: http://arxiv.org/abs/2305.18724v1
• Date: Tue, 30 May 2023 04:03:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-31 18:28:47.440642
• Title: Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer
• Title（参考訳）: 階層型時空間変圧器による長期風力予測
• Authors: Yang Zhang, Lingbo Liu, Xinyu Xiong, Guanbin Li, Guoli Wang, Liang Lin
• Abstract要約: 風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。 正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。 既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
• 参考スコア（独自算出の注目度）: 112.12271800369741
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wind power is attracting increasing attention around the world due to its renewable, pollution-free, and other advantages. However, safely and stably integrating the high permeability intermittent power energy into electric power systems remains challenging. Accurate wind power forecasting (WPF) can effectively reduce power fluctuations in power system operations. Existing methods are mainly designed for short-term predictions and lack effective spatial-temporal feature augmentation. In this work, we propose a novel end-to-end wind power forecasting model named Hierarchical Spatial-Temporal Transformer Network (HSTTN) to address the long-term WPF problems. Specifically, we construct an hourglass-shaped encoder-decoder framework with skip-connections to jointly model representations aggregated in hierarchical temporal scales, which benefits long-term forecasting. Based on this framework, we capture the inter-scale long-range temporal dependencies and global spatial correlations with two parallel Transformer skeletons and strengthen the intra-scale connections with downsampling and upsampling operations. Moreover, the complementary information from spatial and temporal features is fused and propagated in each other via Contextual Fusion Blocks (CFBs) to promote the prediction further. Extensive experimental results on two large-scale real-world datasets demonstrate the superior performance of our HSTTN over existing solutions.
• Abstract（参考訳）: 風力発電は再生可能エネルギー、公害フリー、その他の利点のために世界中で注目を集めている。 しかし,高透過性間欠電力を電力系統に安全に安定的に統合することは課題である。 正確な風力予測(wpf)は、電力系統の運用における電力変動を効果的に低減することができる。 既存の手法は主に短期予測のために設計されており、効果的な時空間的特徴増強がない。 本研究では,長期WPF問題に対処するため,階層型時空間変圧器ネットワーク (HSTTN) と呼ばれる新しい風力発電予測モデルを提案する。 具体的には,階層的時間スケールに集約された協調モデル表現をスキップ接続した砂時計型エンコーダ・デコーダフレームワークを構築し,長期予測に有用である。 この枠組みに基づいて、2つの平行トランスフォーマー骨格との大規模長距離時間依存性と大域空間相関を捉え、ダウンサンプリングおよびアップサンプリング操作によるスケール内接続を強化する。 さらに、空間的特徴と時間的特徴の相補的な情報は、文脈的融合ブロック(CFB)を介して相互に融合し、さらに予測を促進する。 2つの大規模な実世界のデータセットに対する大規模な実験結果から、既存のソリューションよりもHSTTNの方が優れた性能を示している。

関連論文リスト

• Hiformer: Hybrid Frequency Feature Enhancement Inverted Transformer for Long-Term Wind Power Prediction [6.936415534357298]
  ハイブリット周波数特徴強調変換器(ハイフォーマ)という新しい手法を提案する。 Hiformerは、気象条件と風力発電の相関関係のモデリングを強化するために、信号分解技術と気象特徴抽出技術を統合する。 最先端の手法と比較して、(i)予測精度を最大52.5%向上させ、(ii)計算時間を最大68.5%削減することができる。
  論文  参考訳（メタデータ） (2024-10-17T08:00:36Z)
• TCNFormer: Temporal Convolutional Network Former for Short-Term Wind Speed Forecasting [9.47727784069628]
  本研究は,短期(12時間)の風速予測のための時間的コンテンポラル前駆体 (TCNFormer) を提案する。 以上の結果から,TNFormerは予測精度において最先端モデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-08-27T15:35:42Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• Enhancing Short-Term Wind Speed Forecasting using Graph Attention and Frequency-Enhanced Mechanisms [17.901334082943077]
  GFST-WSFは、時間的特徴抽出のためのトランスフォーマーアーキテクチャと空間的特徴抽出のためのグラフ注意ネットワーク(GAT)を備える。 GATは風速局間の複雑な空間的依存関係を捉えるように設計されている。 地理的要因による隣接する風力発電所間の風速相関のモデル時間ラグ
  論文  参考訳（メタデータ） (2023-05-19T08:50:58Z)
• FormerTime: Hierarchical Multi-Scale Representations for Multivariate Time Series Classification [53.55504611255664]
  formerTimeは、多変量時系列分類タスクの分類能力を改善する階層的表現モデルである。 1)時系列データから階層的なマルチスケール表現を学習し、(2)トランスフォーマーと畳み込みネットワークの強さを継承し、(3)自己維持メカニズムによって引き起こされる効率の課題に取り組む。
  論文  参考訳（メタデータ） (2023-02-20T07:46:14Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Multi-Step Short-Term Wind Speed Prediction with Rank Pooling and Fast Fourier Transformation [0.0]
  短期的な風速予測は、経済的な風力利用に不可欠である。 現実の風速データは通常断続的で変動し、既存の浅いモデルに大きな課題をもたらす。 本稿では,多段風速予測,すなわちLR-FFT-RP-MLP/LSTMのための新しいハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2022-11-23T14:02:52Z)
• FuTH-Net: Fusing Temporal Relations and Holistic Features for Aerial Video Classification [49.06447472006251]
  本稿では,FuTH-Netと呼ばれる新しいディープニューラルネットワークを提案する。 本モデルは,ERAとDrone-Actionの2つの航空映像分類データセットを用いて評価し,最先端の成果を得た。
  論文  参考訳（メタデータ） (2022-09-22T21:15:58Z)
• Short-Term Power Prediction for Renewable Energy Using Hybrid Graph Convolutional Network and Long Short-Term Memory Approach [2.218886082289257]
  再生可能エネルギーの短期的なパワーは常に複雑な回帰問題とみなされてきた。 本稿では,新しいグラフニューラルネットワークを用いた短期電力予測手法を提案する。
  論文  参考訳（メタデータ） (2021-11-15T18:15:31Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。