《短期风速预测深层神经网络迁移学习》

  • 来源专题:可再生能源
  • 编译者: 董璐
  • 发布时间:2015-07-22
  • 本研究是由重点基础研究发展计划和国家自然科学基金资助的清洁和可再生能源项目风力发电。对于一些新建的风电场,充分的历史数据不适用于得出一个精确的模型,而一些老风电场可能有长期的风速记录。由此在本文中提出了一个有趣的试验,关于从传输数据丰富的养殖场获得一个新建的农场信息。它是深入学习提取原始数据的高级表示。以这种方式,实现农场信息传递。实验结果表明,预测误差的试验使得提出的技术要求显著降低。

相关报告
  • 《深层神经计算网络对短期风速预测及信息传递的研究》

    • 来源专题:可再生能源
    • 编译者:董璐
    • 发布时间:2015-07-21
    •         作为一种清洁和可再生能源,风力发电被广泛使用。然而,由于风速的不确定性,建立一个准确的大型风电预测模型是必要的。数值天气预报(NWP)和数据驱动的建模是两个典型范式。但天气预报数值通常是不可用的。数据驱动的建模是一种有效的备选方案。对于一些新建的风力发电场,充分的历史数据是准确模型必不可少的,有些年长的风电场可能会有长期的风速记录。在本文中,我们提出了从数据丰富的发电场为一个新建的农场提供信息的有趣试验。我们所说的深度神经计算网络,通过丰富的数据场的数据训练,提取风速模式,然后对来自新建养殖场数据处理映射。在这种方式中,训练有素的网络信息从一个场到另一个场传输。实验结果表明,使用所提出的技术使预测误差显着减少。
  • 《基于深度学习神经网络的光伏短期功率预测》

    • 来源专题:可再生能源
    • 编译者:pengh
    • 发布时间:2021-03-27
    • 对光伏电量进行准确的短期预测是微电网智能能源管理系统控制和设计的必要条件。在这篇文章中,不同种类的深度学习神经网络(DLNN)短期输出光伏功率预测发达和比较:长期短期记忆(LSTM),双向LSTM (BiLSTM),封闭的复发性单元(格勒乌),双向格勒乌(BiGRU)一维卷积神经网络(CNN1D),以及其他如CNN1D-LSTM和CNN1D-GRU混合配置。在意大利的里雅斯特大学安装的微电网的光伏发电数据库被用来训练和比较测试神经网络。在四种不同的时间范围内(1分钟、5分钟、30分钟和60分钟),对一步和多步进行了性能评估。结果表明,调查DLNNs提供很好的精度,尤其是在1分钟时间范围的情况下,提前一步(相关系数接近于1),而对于多步骤的情况下提前(提前8步骤),结果发现是可以接受的(相关系数范围在96.9%到98%之间)。