提高神经网络在风力发电预测中的准确性和可解释性

Dec, 2023

提高神经网络在风力发电预测中的准确性和可解释性

Improving the Accuracy and Interpretability of Neural Networks for Wind Power Forecasting

Wenlong Liao, Fernando Porte-Agel, Jiannong Fang, Birgitte Bak-Jensen, Zhe Yang...

TL;DR提出了简单而有效的三重优化策略（TriOpts）来加快训练过程和改善深度神经网络（DNNs）在风力发电预测中的模型性能，并且创新性地提出了排列特征重要性（PFI）和局部可解释的模型不可知解释（LIME）技术来解释 DNN 的预测行为。模拟结果表明，所提出的 TriOpts 不仅大大提高了 DNNs 在确定性和概率性风力发电预测中的模型泛化能力，还加快了训练过程。此外，所提出的 PFI 和 LIME 技术可以准确估计每个特征对风力发电预测的贡献，有助于构建特征工程并理解如何获得给定样本的预测值。

Abstract

deep neural networks (DNNs) are receiving increasing attention in wind power forecasting due to their ability to effectively capture complex patterns in wind data. However, their forecasted errors are severely limited by the local optimal weight issue in optimization algorithms, and th

deep neural networks wind power forecasting triple optimization strategies permutation feature importance local interpretable model-agnostic explanation

发现论文，激发创造

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

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

可解释建模的风力发电预测：一种精确度异常高的透明盒子方法

通过采用创新的人工智能方法（如梯度提升），提出了一种透明度与高准确性相结合的玻璃盒方法，用于风力发电预测，该方法能够有效解释全球和实例角度上的预测结果，并且相比大多数基准模型表现更好且与最佳神经网络模型相当，因此在可靠的风力发电预测中具有强大的竞争优势。

Oct, 2023

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

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

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

使用深度神经网络提高发电效率

本文研究如何更好地利用消费者的电表读数来估算负载情况以实现电力网络规划优化，并使用深度神经网络方法与传统方法进行比较，结果表明深度神经网络方法优于传统方法，该方法可用于提高动态定价的支持。

Jun, 2016

基于图神经网络和深度学习的风电场功率预测：注意力机制捕捉尾流损失

本文提出了一种基于图神经网络的模块化框架，结合注意力机制在风力发电中对功率产量进行预测。结果表明，该模型明显优于多层感知机和双向 LSTM 模型，同时其性能与传统的图神经网络模型相当；同时，该框架可以根据需求进行灵活调整，提高了自适应能力。通过注意力权重的分析，表明该框架可以在风力发电数据分析中提供洞察力，特别是注意力网络可以意识到相邻涡轮之间的依赖以及与唤醒损失有关的物理直觉。

Jan, 2022

一种基于深度知识学习的风速预测新方法

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。

Jun, 2023