基于时空关联特征与GCN-FEDformer的风速短期预测方法OA北大核心CSTPCD
精准预测风速可以提高风电功率预测的准确性,现有风速预测方法未充分挖掘相邻多风场之间的空间相关性,在具备多风场数据及其相关性较强条件下风速预测准确性尚有较大提升空间。为了充分利用空间相关性信息,提出一种基于图卷积网络(graph convolution networks,GCN)和频率增强分解Transformer (frequency enhanced decomposed transformer,FEDformer)的风速预测模型,即GFfor…查看全部>>
孙亦皓;刘浩;胡天宇;王飞
华北电力大学国际教育学院,河北省保定市071003北京科技大学计算机与通信工程学院,北京市海淀区100083北京科技大学计算机与通信工程学院,北京市海淀区100083华北电力大学国际教育学院,河北省保定市071003
动力与电气工程
风速预测图卷积网络频率增强分解Transformer(FEDformer)时空特征
《中国电机工程学报》 2024 (21)
P.8496-8506,I0014,12
国家自然科学基金项目(62172036)。
评论