一区直接写！WFT-DualGATNet：基于小波-傅里叶周期增强与双图注意力的高创新预测模型

本期提出一种面向风电功率预测的周期增强双图注意力模型——WFT-DualGATNet。该模型以多变量风电时间序列为输入，首先通过 WFTBlock 提取序列中的全局周期与局部波动特征，再在周期增强表示上分别构建 Feature-GAT 和 Time-GAT，从变量维度和时间维度学习风速、风向、气象因素与历史功率之间的复杂依赖关系。最终，模型融合双图注意力特征并通过预测头输出未来风电功率。

WFT-DualGATNet，即：Wavelet-Fourier Transform Enhanced Dual Graph Attention Network（基于小波-傅里叶周期增强的双图注意力风电功率预测网络）该模型的核心设计思想是：通过 WFTBlock 提取全局周期和局部波动信息，再在周期增强特征空间中构建 Feature-GAT 和 Time-GAT。该模型能够同时建模：

● 全局周期变化
● 局部非平稳扰动
● 多气象变量耦合关系
● 历史时间步动态依赖

因此，WFT-DualGATNet 不仅适用于风电功率预测，也可推广到光伏功率预测、电力负荷预测、储能状态预测、设备状态监测和工业传感器预测等多变量时间序列任务。（创新点还未发表！）

我们同时提供详细的资料、解说文档和视频讲解，包括如何替换自己的数据集、参数调整教程等，代码逐行注释，参数介绍详细：

● 数据集：某风电场风电功率数据集、电力数据集、风速数据集等

● 环境框架：python 3.11 pytorch 2.1 及其以上版本均可运行

● 模型分数：测试集 0.97

● 使用对象：论文需求、毕业设计需求者

● 代码保证：代码注释详细、即拿即可跑通。

1 创新模型介绍

1.1 总体架构设计

在模型结构上，先周期增强，再图注意力建模。

首先，模型通过 WFTBlock 对原始多变量风电序列进行小波-傅里叶周期增强，利用 Fourier 分支捕获全局周期模式，利用 Wavelet 分支捕获局部非平稳波动；
随后，在周期增强表示上分别构建 Feature-GAT 和 Time-GAT，学习变量间依赖关系和时间步间动态依赖关系；
最后，通过融合预测头输出未来风电功率。

GAT 不再直接作用于原始混合序列，而是作用于 WFTBlock 提取后的周期增强特征空间。这使得模型学习到的变量关系和时间关系更稳定、更有物理意义，也更适合复杂风况下的风电功率预测任务。

1.2 核心模块一：WFTBlock 周期增强模块

（1）模块作用：WFTBlock 是整个模型的前置周期增强模块，用于提取风电功率序列中的全局周期和局部波动。因此，仅依赖普通时域建模并不足够。WFTBlock 通过 Fourier 分支和 Wavelet 分支分别处理两类特征。

（2） Fourier 分支：捕获全局周期，Fourier 分支主要用于识别序列中的全局周期模式。Fourier 分支通过频域分析提取主频成分，并将一维序列映射为周期结构表示，使模型能够更好地识别风电功率的整体周期规律。

（3）Wavelet 分支：捕获局部非平稳波动，Wavelet 分支主要用于捕获局部时频变化。相比 Fourier 变换，小波变换具有更强的时间定位能力，适合分析短时突变和局部非平稳模式。Wavelet 分支能够在时间—频率平面上定位这些局部变化，使模型不只关注长期周期，也能捕获短期突变。

1.3核心模块二：Feature-GAT 变量图注意力

Feature-GAT 将周期增强表示 H_w 中的不同特征通道视为节点。每个节点会与其他节点建立注意力连接，并通过自适应权重聚合其他变量信息。

例如，模型可以学习：

● 风速对功率预测的重要性
● 风向与功率波动之间的关系
● 温度、气压、湿度与空气密度之间的间接影响
● 历史功率与未来功率之间的惯性关系
● 哪些变量在当前风况下更关键

最终，Feature-GAT 输出变量依赖增强表示 H_f。

1.4核心模块三：Feature-GAT 变量图注意力

普通 Time-GAT 直接在原始时间序列上学习时间步关系，容易受到噪声和局部异常影响。WFT-DualGATNet 则先通过 WFTBlock 得到 H_w，再将 H_w 输入 Time-GAT。这样 Time-GAT 学到的是：周期增强后的时间步关系。这意味着模型不仅知道“哪个历史时刻重要”，还能够结合周期和局部波动信息判断：

● 哪些时间步对应全局周期规律
● 哪些时间步包含局部突变
● 哪些时间片段对未来功率变化更关键
● 哪些历史时间节点在当前风况下更有参考价值

因此，Time-GAT 的注意力权重更具有风电功率预测场景中的物理意义。

2 电力变压器数据集介绍

2.1 导入数据

风电功率数据集一共35040个样本，15个特征，取前6000条数据进行可视化：

2.2 数据集制作与预处理

详细介绍见提供的文档！

3 基于WFT-DualGATNet的高创新预测模型

3.1 定义WFT-DualGATNet预测网络模型

3.2 设置参数，训练模型

50个epoch，MSE 为0.00142，WFT-DualGATNet预测效果显著，模型能够充分学习全局周期与局部波动特征，收敛速度快，性能优越，预测精度高，适当调整模型参数，还可以进一步提高模型预测表现。

4 结果可视化和模型评估

4.1 预测结果可视化

4.2 模型评估

WFT-DualGATNet 采用的“先周期增强，再双图注意力建模”策略是有效的。WFTBlock 能够提取风电功率序列中的全局周期与局部波动特征，Feature-GAT 能够刻画风速、风向、气象变量与历史功率之间的变量依赖关系，Time-GAT 则进一步捕获滑动窗口内不同历史时刻之间的动态关联。三者协同作用，使模型在复杂、非平稳、多因素耦合的风电功率预测场景中表现出较强的预测精度和泛化能力。

总体来看，WFT-DualGATNet 能够有效提升风电功率预测的准确性，为新能源功率预测、风电场运行调度和智能运维提供了一种具有应用价值的深度学习建模方案。