參考文獻(xiàn)
[1] 汪欣. 基于神經(jīng)網(wǎng)絡(luò)的風(fēng)電功率優(yōu)化預(yù)測方法[D]. 上海：上海交通大學(xué)，2020.
[2] ZHU Changsheng, ZHU Lina.Wind Speed Short-Term Prediction Based on Empirical Wavelet Transform， Recurrent Neural Network and Error Correction[J].Journal of Shanghai Jiaotong University(Science)，2024，29(2) ：297-308.
[3] CHEN Gonggui, LI Lijun, ZHANG Zhizhong, et al.Short-term wind speed forecasting with principle-subordinate predictor based on Conv-LSTM and improved BPNN[J].IEEE Access，2020，8 ：67955-67973.
[4] 程杰，陳鼎，李春，等. 基于 GWO-CNN-BiLSTM 的超短期風(fēng)電預(yù)測[J] . 科學(xué)技術(shù)與工程，2023，23(35) ：15091-15099.
[5] 符楊，任子旭，魏書榮，等. 基于改進(jìn) LSTM-TCN 模型的海上風(fēng)電超短期功率預(yù)測[J] . 中國電機(jī)工程學(xué)報，2022，42(12) ：4292-4302.
[6] 郎偉明，麻向津，周博文，等．基于 LSTM 和非參數(shù)核密度估計的風(fēng)電功率概率區(qū)間預(yù)測[J]．智慧電力，2020，48(2) ：31-37．
[7] WANG W, FENG B, HUANG G, et al.Conformal asymmetric multi-quantile generative transformer for day-ahead wind power interval prediction[J].Applied Energy，2023，333 ：120634.
[8] BENTSEN L D, WARAKAGODA N D, STENBRO R, et al. pSatiotemporal wind speed forecasting using graph networks and novel transformer architectures[J].Applied Energy，2023，333 ：120565.
[9] WANG Lei, HE Yigang, LI Lie, et al.A novel approach to ultra-short-term multi-step wind power predictions based on encoder-decoder architecture in natural language processing[J].Journal of Cleaner Production，2022，354 ：131723.
[10] 駱釗，吳諭侯，朱家祥，等. 基于多尺度時間序列塊自編碼 Transformer 神經(jīng)網(wǎng)絡(luò)模型的風(fēng)電超短期功率預(yù)測[J]. 電網(wǎng)技術(shù)，2023，47(9) ：3527-3536.
[11] 林錚，劉可真，沈賦，等. 考慮海上風(fēng)電多機(jī)組時空特性的超短期功率預(yù)測模型[J] . 電力系統(tǒng)自動化，2022，46(23) ：59-66.
[12] WU Haixu, XU Jiehui, WANG Jianmin, et al.Autoformer: Decomposition transformers with autocorrelation for long-term series forecasting[J].Advances in Neural Information Processing Systems，2021，34 ：22419-22430.
[13] 王渝紅，史云翔，周旭，等. 基于時間模式注意力機(jī)制的 BiLSTM 多風(fēng)電機(jī)組超短期功率預(yù)測[J]. 高電壓技術(shù)，2022，48(5) ：1884-1892.
[14] 宋柯. 基于多時間尺度及注意力機(jī)制的風(fēng)電功率預(yù)測技術(shù)研究[D]. 重慶：重慶理工大學(xué)，2023.
[15] 李靜茹，姚方. 引入注意力機(jī)制的 CNN 和 LSTM 復(fù)合風(fēng)電預(yù)測模型[J]. 電氣自動化，2022，44(6) ：4-6.
[16] 王家樂，張耀，林帆，等. 基于自注意力特征提取的光伏功率組合概率預(yù)測[J] . 太陽能學(xué)報，2024，45(12) ：123-131.
[17] CAI J , ZHANG K , JIANG H . Power Quality Disturbance Classification Based on Parallel Fusion of CNN and GRU [J] . Energies，2023，16(10) ：4029.
[18] 喬石，王磊，張鵬超，等. 基于時間模式注意力機(jī)制的 GRU 短期負(fù)荷預(yù)測[J] . 電力系統(tǒng)及其自動化學(xué)報，2023，35(10) ：49-58.
[19] 龍鋮，余成波，何鋮，等. 基于雙重注意力機(jī)制 CNN-BiLSTM 與 LightGBM 誤差修正的超短期風(fēng)電功率預(yù)測[J].電氣工程學(xué)報，2024，19(2) ：138-145.
[20] LUONG M T, PHAM H, MANNING C D.Effective approaches to attention-based neural machine translation[J].ArXiv Preprint ArXiv，2015，1508 ：04025.
