Apr, 2024

基于综合预测的混合和堆叠有状态 / 无状态模型分析

PDF
TL;DR本研究通过使用四种深度递归神经网络模型，对 Mississippi State 大学校园附近机场站点的短期风速进行预测，详细描述了模型的体系结构、效率以及通过 RMSE 值获得的结果，并讨论了上述模型的时间和空间复杂度。
wind speedrenewable energyrenewable resourcesrecurrent neural networksperformance analysis
发现论文，激发创造
  • 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

  • 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

  • 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

  • 基于注意力门控循环神经网络和误差更正策略的短期风速预测模型

    基于改进的门控循环神经网络（AtGRU）和错误校正策略，本论文提出了一种短期风速预测模型。该模型通过使用 AtGRU 模型作为初步预测器和 GRU 模型作为错误纠正器，利用 Singular Spectrum Analysis (SSA) 对风速序列降噪，并通过 Variational Modal Decomposition (VMD) 对预测误差进行训练。在三个案例研究中，该模型在 Woodburn、St. Thomas 和 Santa Cruz 的风速预测中表现出色，明显提高了风速预测的准确性。

    Apr, 2024

  • 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

  • 基于自适应降噪技术和时域卷积网络的风电场超短期多步风速预测

    提出了一种基于数据降噪技术、时序卷积网络（TCN）和门控循环单元（GRU）的新型风速预测模型，通过数据降噪、特征提取和序列预测实现了具有高精度和强稳定性的风速预测，为风电场的运行和管理提供了支持。

    Nov, 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

  • 应用增强学习和时间序列预测技术解决风能和分布式光伏能源不确定性问题

    本文提出了一个新的框架，使用长短期记忆（LSTM）时间序列预测和深度确定性策略梯度 (DDPG) 多智能体强化学习算法来解决可再生能源不确定性在智能电网中带来的挑战和分布能源管理中的新挑战，旨在同时考虑两个目标，从而实现对批发和零售市场的高效能源管理，并证明建议的解决方案显着提高了载荷服务实体（LSE）的利润，同时使用 DDPG 代理实现人工智能电池充电 / 放电，以最大化分布式 PV 和电池安装用户的利润。

    Feb, 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