Jun, 2023

一种基于深度知识学习的风速预测新方法

PDF
TL;DR提出了一种基于深度知识的学习方法，该方法使用预训练方法和自编码器结构来提高数据表示和建模，以预测风电的风速和功率。
wind speed predictiondeep learningknowledge-based learningpre-training methodsequence to sequence models
发现论文，激发创造
  • 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

  • 利用形状特征工程提高风速和风力预测的准确性和鲁棒性的新方法

    通过改变卷积神经网络 - 长短期记忆（CNN-LSTM）和自回归模型的输入数据形状，这项研究探索了一种新的特征工程方法以提高对噪声的处理能力，并取得了显著的改善，使其能够以 83％的准确率预测长达 24 个时间步的未见数据，同时在短期、中期和长期预测方面始终表现出较高的准确性，优于单个模型的性能，为进一步研究形状导向的特征工程在不同预测时间范围内的噪声降低策略铺平了道路。

    Jan, 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

  • 基于自适应降噪技术和时域卷积网络的风电场超短期多步风速预测

    提出了一种基于数据降噪技术、时序卷积网络（TCN）和门控循环单元（GRU）的新型风速预测模型，通过数据降噪、特征提取和序列预测实现了具有高精度和强稳定性的风速预测，为风电场的运行和管理提供了支持。

    Nov, 2023

  • 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

  • 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

  • 基于报警序列和长短时记忆算法的风力涡轮机修复行动预测的深度学习框架

    该论文介绍了使用深度学习在 Offshore Wind 的 Condition-based monitoring 中进行 alarm sequence modelling 的研究，并提出了使用 Long Short-term Memory 和 Bidirectional LSTM 模型来预测相关修理措施的新方法，这可以将 O&M 过程中的复杂报警减少，并减少诊断和纠正故障所需的不必要的船舶转移。

    Jul, 2022

  • 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

  • 使用物理信息神经网络和证据不确定性量化预测风力发电机功率

    使用物理信息神经网络对来自 4 台风力发电机的历史数据进行回归建模，同时引入高效的证据层对预测进行不确定性估计，证明其与绝对误差一致，并为功率曲线定义了一个置信区间。

    Jul, 2023