基于SHAP重要性排序和时空双流的多风场超短期功率预测OA北大核心CSTPCD
Ultra-short-term power forecasting for multiple wind fields based on SHAP importance ranking and spatio-temporal dual flow
针对多风场风功率预测中时空特征提取不充分的问题,提出一种基于空间、时间双流特征提取的功率预测方法.采用沙普利加性解释(SHAP)方法分析原始高维数值天气预报(NWP)中各变量的重要性,选择贡献度高的变量子集作为预测模型输入,降低模型复杂度.构建基于自适应动态邻接矩阵的改进图注意力网络(IGAT)提取多风场的动态空间特征;同时将多头注意力机制(MHA)与时间卷积网络(TCN)结合,加强关键时序特征的学习.使用前馈神经网络输出多风场功率预测结果.以西…查看全部>>
To address the insufficient spatio-temporal feature extraction in multi-wind field wind power prediction, this paper proposes a power prediction method based on spatial and temporal dual-stream feature extraction.First, the Shapley Additive Explanations ( SHAP) method is employed to analyze the importance of each variable in the original high-dimensional Numerical Weather Prediction ( NWP) , and a subset of variables with high contribution is selected as the…查看全部>>
付波;李昊;权轶;李超顺;赵熙临;杨远程
湖北工业大学 电气与电子工程学院, 武汉 430068湖北工业大学 电气与电子工程学院, 武汉 430068湖北工业大学 电气与电子工程学院, 武汉 430068华中科技大学 土木与水利工程学院, 武汉 430074湖北工业大学 电气与电子工程学院, 武汉 430068国网石首市供电公司, 湖北 荆州 434400
动力与电气工程
多风场功率预测变量选择图注意力网络多头注意力机制时间卷积网络
multi-wind field power predictionvariable selectiongraph attention networkmulti-head attention mechanismtemporal convolutional network
《重庆理工大学学报》 2024 (9)
249-258,10
湖北省重点研发计划项目(2021BAA193)
评论