基于DFT的频率敏感双分支Transformer多变量长时间序列预测方法

在进行多变量长时间序列预测时,仅利用时域分析通常无法充分捕捉长时间序列依赖,而这会导致信息利用率不足、预测精度不够高。因此,结合频域时域分析,提出一种基于离散傅里叶变换(DFT)的频率敏感双分支多变量长时间序列预测(FSDformer)方法。首先,通过DFT实现时间和频率的相互转换,从而将复杂的时间序列数据分解为结构简单的低频趋势项、中频季节项和高频余项3个分量;其次,采用双分支结构,针对中高频分量预测,应用Encoder-Decoder结构,设计了周期性增强注意力机制;针对低频趋势分量预测,采用多层感知机(MLP)结构;最后将中高频分量与低频分量预测结果相加,得到多变量长时间序列的最终预测结果。在2个数据集上把FSDformer与其他5个经典算法进行了对比分析,在Electricity数据集上,当历史序列长度为96,预测序列长度为336时,相较于Autoformer等对比算法,FSDformer的平均绝对误差(MAE)下降了11.5%~29.1%,均方误差(MSE)下降了20.9%~43.7%,达到了最优预测精度。实验结果表明,FSDformer能有效捕捉长时间序列的相关依赖,在提升预测精度和计算效率的同时,增强了模型预测的稳定性。

基于时空关联特征与GCN-FEDformer的风速短期预测方法

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GFformer,GCN用于提取风速空间特征,FEDformer用于学习时序特征。同时,还构造一种从强度、时滞2个维度分别表征相关关系的复数邻接矩阵,使得GFformer能够更全面地捕捉相邻风电场之间风速的时空相关性,进一步提高风速预测的准确性。在具备25个风电场数据的案例研究中,GFformer相比其他对比模型表现更优。