一种用于多步风电功率预测的并发 CNN-RNN 方法

Syed Kazmi; Berk Gorgulu; Mucahit Cevik; Mustafa Gokce Baydogan

一种用于多步风电功率预测的并发 CNN-RNN 方法

机器学习 2023-01-04 v1

作者: Syed Kazmi , Berk Gorgulu , Mucahit Cevik , Mustafa Gokce Baydogan

摘要

风电功率预测通过提升决策确定性，助力电力系统规划。由于气象事件（如风速）固有的随机性，对风电功率做出高精度的长期预测极为困难。缓解该挑战的一种途径是利用地理网格上多点的气象信息以获得风模式的整体视图，并结合风电场先前功率输出的时间信息。我们提出的 CNN-RNN 架构结合卷积神经网络（CNNs）与循环神经网络（RNNs），从多维输入数据中提取空间与时间信息以做出日前预测。就此，我们的方法融合了超宽学习视角，组合来自多个数值天气预报模型、风电场与地理位置的数据。此外，我们实验了全局预测方法，以理解在相同模型上跨多个不同风电场数据集训练的影响，并采用一种将卷积层提取的空间信息传入树集成（如 Light Gradient Boosting Machine（LGBM））而非全连接层的方法。结果表明，所提 CNN-RNN 架构在全局训练时优于 LGBM、Extra Tree 回归器与线性回归等其他模型，但在各风电场单独训练时未能复现该性能。我们还观察到将 CNN 的空间信息传入 LGBM 可提升其性能，进一步佐证了 CNN 的空间特征提取能力。

关键词

风电功率预测 CNN-RNN 时空建模数值天气预报树集成多步预测

引用

@article{arxiv.2301.00819,
  title  = {A Concurrent CNN-RNN Approach for Multi-Step Wind Power Forecasting},
  author = {Syed Kazmi and Berk Gorgulu and Mucahit Cevik and Mustafa Gokce Baydogan},
  journal= {arXiv preprint arXiv:2301.00819},
  year   = {2023}
}

一种用于多步风电功率预测的并发 CNN-RNN 方法

摘要

关键词

引用

相关论文