【IEEETIM】Effinformer:一种基于深度学习的DC-DC双向变换器数据驱动建模
本文提出了一种基于深度学习（DL）的数据驱动建模方法，以精确建模和识别广泛用于可再生能源系统（RES）的直流-直流双向转换器。与需要处理大量电路参数并导致模型往往复杂且昂贵的基于电路理论的方法相比，基于DL的方法产生了更简约的模型。然而，典型的DL方案在准确性、稳定性和计算复杂性方面仍然存在局限性。为此，我们提出了一种名为efficient Informer（Effinformer）的端到端DL框架，该框架利用稀疏自注意、一种新颖的基于扩张因果卷积的提取操作和一种增强的解码器来最小化计算复杂性，同时提高建模精度和速度。通过实验结果和分析，与现有的建模技术和当前最先进的DL技术相比，所提出的Effinformer表现出优越的性能。然后，我们将所提出的网络进一步扩展到长期预测场景，以展示其出色的泛化能力和优雅的鲁棒性。大量实验表明，从处理纹波干扰和异常值的角度来看，Effinformer更有利于提高预测的准确性和可靠性。这一特性使其在实际工程应用中非常有利。
