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
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
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。
Aug, 2022
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
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
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
通过在计算机视觉领域的研究成果的基础上,针对可再生能源进行模型选择和适应的全面实验表明,将多个模型组合起来可以显著提高模型选择和适应方法,并使用神经网络提取特征,并采用贝叶斯线性回归方法进行预测,而只需 7 天的训练数据即可胜过基线。
Apr, 2022
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
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