基于空间深度置信网络的风速预测优化方法

TP181; 风能是目前应用最为广泛、技术最为成熟的可再生能源.为了保证风电场的稳定和安全运行,风速的准确预测至关重要.除传统的数值天气预报以外,机器学习技术已经广泛应用于不同时间尺度的风速预测.然而这些工作大多局限于单一地点的风速序列分析,没有考虑和利用风速的空间相关性.对此,使用深度置信网络(Deep Belief Network,DBN)对同一区域内多个地点的风速序列进行空间相关性特征识别.在训练过程中,深度置信网络充分挖掘了该区域内历史风速的联合分布,借此改善未来的风速预测.多组风速预测实验表明,空间深度置信网络能够有效降低风速的预测误差,经过空间深度置信网络重构后的风速预测误差平均降...

Full description

Saved in:
Bibliographic Details
Published in电子技术应用 Vol. 48; no. 8; pp. 111 - 122
Main Authors 许皓宇, 薛巍, 张涛, 谢洪亮
Format Journal Article
LanguageChinese
Published 清华大学计算机科学与技术系,北京100084%远景能源(南京)软件技术有限公司,上海200050 2022
Subjects
高斯过程回归
深度置信网络
风速预测
Online AccessGet full text

Cover

More Information
Summary:TP181; 风能是目前应用最为广泛、技术最为成熟的可再生能源.为了保证风电场的稳定和安全运行,风速的准确预测至关重要.除传统的数值天气预报以外,机器学习技术已经广泛应用于不同时间尺度的风速预测.然而这些工作大多局限于单一地点的风速序列分析,没有考虑和利用风速的空间相关性.对此,使用深度置信网络(Deep Belief Network,DBN)对同一区域内多个地点的风速序列进行空间相关性特征识别.在训练过程中,深度置信网络充分挖掘了该区域内历史风速的联合分布,借此改善未来的风速预测.多组风速预测实验表明,空间深度置信网络能够有效降低风速的预测误差,经过空间深度置信网络重构后的风速预测误差平均降低了 0.4 m/s.
ISSN:0258-7998
DOI:10.16157/j.issn.0258-7998.212141