Aug, 2022

KDD CUP 2022 风力发电预测 Team 88VIP 解决方案

PDF
TL;DR该研究针对时空动态风力数据集提出了时间序列预测任务，采用梯度提升决策树与循环神经网络相结合作为解决方案，辅以特征工程和评估设计，取得了较好的预测结果。
time-series forecastingspatial dynamic wind powergradient boosting decision treerecurrent neural networkfeature engineering
发现论文，激发创造
  • BUAA_BIGSCity: 基于时空图神经网络的风力发电预测（百度 KDD CUP 2022）

    本文介绍了一种使用空间 - 时间图神经网络建立的风力发电预测模型。本方法在 2022 年度百度 KDD 大赛中取得了较好的成绩，并通过将 AGCRN 和 MTGNN 两种模型进行集成得到更好的结果，测试集的 RMSE 分数为 - 45.36026。

    Feb, 2023

  • BERT 在风电功率预测中的应用 - 百度 2022 年 KDD 杯电力预测解决方案

    如何将风能融入电网以实现碳中和和可持续发展，以及风能预测的挑战和解决方案。

    Jul, 2023

  • SDWPF：KDD Cup 2022 空间动态风力预测挑战赛数据集

    本文介绍了一个包括风力涡轮的空间分布和动态环境信息的独特 Spatial Dynamic Wind Power Forecasting 数据集（SDWPF），并利用该数据集进行了 Baidu KDD Cup 2022 的模拟。

    Aug, 2022

  • 利用 SCADA 数据和连续学习进行风力发电预测的偏差校正

    通过评估和比较四种基于机器学习的风力发电预测模型，我们发现卷积神经网络在纠正和改进从数值天气预报模型中提取的 48 小时风力预测方面取得了最好的结果，平均归一化均方根误差降至 22％，同时减少了均方根误差，并且未来研究应当探究模型流程的变化以提高预测性能。此外，我们引入了连续学习策略，该策略在新数据可用时取得了最高的预测性能提升。

    Feb, 2024

  • 风龙：自动深度学习增强风力发电预测

    本文介绍了一种创新的方法，利用自动深度学习结合数值天气预报风速地图，准确预测全国范围内的短期（1 到 6 小时）风力发电。

    Feb, 2024

  • 利用深度领域自适应学习预测不同地点的风力发电

    利用基于深度神经网络的域自适应方法，通过选择有效的气象特征，使用源域的预先训练模型进行预测任务，并更新最后几层的权重，从而提高风能预测的准确性。

    May, 2024

  • 基于多地天气数据指导的高效确定性可再生能源预测

    利用多地天气预报的 U 型时间卷积自编码器（UTCAE）方法和多尺度核卷积空时注意力（MKST-Attention）机制，该研究提出了一种新的方法来确定多个发电站的确定性风能和太阳能发电预测，试验评估表明该方法在五个数据集上的日前太阳能和风能预测场景中取得了最佳结果，优于所有竞争的时序预测方法。

    Apr, 2024

  • 一种用于多步风力预测的并行 CNN-RNN 方法

    本文提出了一种融合卷积神经网络和循环神经网络的 CNN-RNN 结构，使用来自地理网格多个点的气象数据和风电场的时间信息进行日前风电预测，并在全球预测中取得了较好的结果，与传统模型相比，更好的实现了空间特征提取。

    Jan, 2023

  • 深度预测：基于深度学习的时空预测

    本文利用深度学习与循环神经网络算法，提出一种时空风速预测模型，并利用其进行风能预测。研究结果表明，该模型不仅可以显著提高短期预测水平，同时可以模拟并预测获得更多数据的实体之间的相互作用。

    Jul, 2017

  • 基于不同时域的增强风速混合变压器网络预测

    本文提出了一种新颖的智能混合风速预测模型（ICEEMDAN-TNF-MLPN-RECS），相较于现有技术在不同的时间范围内实现了更高的精确度，降低了电力系统工程师的工作量。

    Apr, 2022