Jan, 2024

多模态表示学习用于从离散低维数据中跨模态预测连续天气模式

PDF
TL;DR使用基于深度学习的方法，从不连续的风能数据中进行多模态连续分辨率的风能数据预测，并进行数据维度降低。
发现论文，激发创造
  • 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

  • 多模态端到端学习用于系统优化的可再生能源短期预测

    本文探讨了多模态 (MM) 学习和端到端 (E2E) 学习方法，结合全天空影像和气象传感器数据以预测可再生能源发电量，并通过可微分的最优功率流 (OPF) 模拟能源管理，同时模型通过 E2E 训练以最小化预期总系统成本。在荷兰实际数据上的案例研究中发现，所提出的 MM-E2E 模型可以将系统成本降低 30％。

    Apr, 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

  • 基于多模式学习的高分辨率空间风速场重建

    基于变分数据同化和深度学习概念的框架，用于海面风速的时空丰富、高分辨率信息恢复和模型重建。

    Dec, 2023

  • 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

  • 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

  • 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

  • 气候下尺度化：基于深度学习的降水数据超分辨率模型，带有注意力块和跳跃连接

    通过使用深度卷积神经网络和其他技术，将低分辨率的降水数据降尺度为高分辨率的数据，以追踪降水并提高气候下缩放模型的预测准确性。

    Mar, 2024