《绘制工业4.0格局:关键技术、以人为本的系统、行业应用与可持续发展目标的契合——PRISMA-ScR综述》
作者:Patricia Acosta-Vargas、Luis Suarez、Tomas Cuadrado、Luis Salvador-Ullauri
《Technologies》:Mapping the Industry 5.0 Landscape: Enabling Technologies, Human-Centered Systems, Sectoral Applications, and SDG Alignment—A PRISMA-ScR Review
Patricia Acosta-Vargas,
Luis Suarez,
Tomas Cuadrado and
Luis Salvador-Ullauri
【字体:
大
中
小
】
时间:2026年05月01日
来源:Technologies 3.6
编辑推荐:
摘要
短期风力发电预测在智能电网管理中被视为一个关键挑战,因为风信号具有非线性、不稳定和多尺度噪声的特性。尽管最近在混合深度学习方面的进展提高了短期风力发电预测的准确性,但许多最先进的模型通常将信号去噪、残差分解和注意力
摘要
短期风力发电预测在智能电网管理中被视为一个关键挑战,因为风信号具有非线性、不稳定和多尺度噪声的特性。尽管最近在混合深度学习方面的进展提高了短期风力发电预测的准确性,但许多最先进的模型通常将信号去噪、残差分解和注意力机制作为独立模块来处理,而没有提供一个统一的解决方案。本文提出了一种端到端的解决方案W-HiTS-Attention(小波变换、N层堆叠的层次插值用于时间序列、注意力机制),该方案将小波去噪、N-HiTS(神经层次插值)中的层次残差学习和块内自注意力机制紧密结合。所提出的解决方案在准确性上优于21个基准模型,包括N-BEATS、N-HiTS、TCN、Informer、Autoformer、LSTM、BiLSTM、GRU和Prophet等最先进模型,实现了55.56 W的均方根误差(RMSE)和0.9918的R2分数。此外,结果表明,该解决方案在参数数量(0.033M)、延迟(0.0036 ms/样本)和训练时间方面都非常高效,适用于资源受限环境中的低延迟推理。研究结果表明,频率预处理、层次残差预测和基于注意力机制的时间细化的有机结合为短期风力发电预测提供了一种稳健、可解释且可部署的解决方案。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号