Aug, 2023

基于元学习的自适应概率风电预测方法

PDF
TL;DR通过离线学习和在线学习过程，本文研究了一种自适应概率性风力发电预测方法，该方法在基本预测模型中引入了元学习的内外循环更新，使其具备对不同预测任务（具有不同前导时间或位置的概率性风力发电预测）的优秀适应性。该方法在在线学习阶段与增量学习技术相结合，充分利用最新信息和基本预测模型的适应性，在不同前导时间（时间上的适应）和新建风电场的预测（空间上的适应）方面取得了良好的应用效果。通过对真实世界的风力发电数据集进行数值测试，仿真结果验证了该方法相对于现有替代方法的优势。
adaptive approachprobabilistic wind power forecastingoffline learningonline learningadaptability
发现论文，激发创造
  • 风能和光伏电力预测中的迁移学习模型选择、适应和组合

    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

  • 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

  • 概率短期负荷预测的堆叠方法

    本研究探索元学习领域，结合点预测与概率短期电力需求预测，在量位线性回归、量位回归森林以及涉及残差模拟的后处理技术的基础上生成量位预测。另外，我们引入了全局和局部元学习的变种。在局部学习模式中，元模型使用最接近查询模式的模式进行训练。通过在 35 个预测场景上进行广泛的实验研究，并使用 16 个基本预测模型，我们的研究结果突显了量位回归森林在其竞争对手中的优势。

    Jun, 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

  • 风电场状态监测的概率多层感知机

    通过使用基于概率多层感知器的正常行为建模以及通过微调进行迁移学习，我们提供了一种风电场的条件监测系统。该模型基于从主管控制和数据采集（SCADA）系统中提取的特征，预测风力涡轮机在正常运行状态下的输出功率。它的优势在于可以使用至少数年的 SCADA 数据进行训练，可以将风电场中所有风力涡轮机的 SCADA 数据作为特征进行整合，假设输出功率遵循具有异方差的正态密度，并且可以通过从所有其他风力涡轮机的数据中借力来预测一个风力涡轮机的输出。我们通过一个真实的 SCADA 数据示例展示了我们模型的性能，证明其优于其他概率预测模型。

    Apr, 2024

  • 基于分层时空 Transformer 的长期风力预测

    本文提出了一种新的基于 Transformer Network 的 Hierarchical Spatial-Temporal Transformer Network（HSTTN）模型，利用空间和时间特征增强长期风力发电预测。实验结果表明，该模型性能优于现有解决方案。

    May, 2023

  • 短中期电力需求的遮蔽多步骤概率预测

    本研究提出了 Masked Multi-Step Multivariate Probabilistic Forecasting （MMMPF）框架，通过结合过去的时间信息和未来的已知信息来进行概率预测，以训练任何能够生成输出序列的神经网络模型，用于短期和中期的多区域电力需求预测，并通过各种机器学习方法进行比较验证，结果表明提出的 MMMPF 框架不仅优于基于样本的方法，还优于现有时间序列预测模型。使用 MMMPF 训练的模型还可以生成期望分位数以捕获不确定性，并实现未来电网的概率规划。

    Feb, 2023

  • 基于注意力神经网络的高可再生功率系统中的最优功率流

    借助物理启示的机器学习方法，使用模仿学习和历史欧洲天气数据集，直接将电力需求和天气模式与电力调度和发电相互关联，从而实现实时最优功率流解决方案，并验证效果优于现有数据驱动技术，有助于可再生能源时代构建更具韧性的电力系统。

    Nov, 2023

  • 在线模型误差校正与神经网络：应用于综合预报系统

    通过使用神经网络在欧洲中程天气预报中的操作性集成预测系统（IFS）中开发模型误差校正来改进天气预报的准确性，并通过在线训练进一步提高混合模型的准确性。

    Mar, 2024