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
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
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
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
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
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
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
电力消耗预测是确保电网性能和稳定性的关键，本文介绍了自动深度学习在负荷预测中的应用，并通过自动选择特征和优化网络架构和超参数，展示了能够超越现有方法的原创深度学习模型。
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。