Feb, 2024

利用 SCADA 数据和连续学习进行风力发电预测的偏差校正

PDF
TL;DR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。
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

  • 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

  • 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

  • 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

  • BUAA_BIGSCity: 基于时空图神经网络的风力发电预测（百度 KDD CUP 2022）

    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

  • 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

  • WeatherGNN：利用复杂关系进行数值天气预报偏差修正

    提出了一种利用图神经网络的 NWP 偏差校正方法 WeatherGNN，在两个真实数据集上展示了与其他方法相比的显著优势，平均 RMSE 提高了 40.50%。

    Oct, 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

  • KDD CUP 2022 风力发电预测 Team 88VIP 解决方案

    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