一种用于短期风速预测的演化深度学习方法：以Lillgrund海上风电场为例
神经与进化计算
2020-02-24 v1 机器学习
信号处理
摘要
准确的短期风速预测对于风电大规模并网至关重要。然而，风速的季节性和随机性特征使预测成为一项具有挑战性的任务。本研究使用一种新的混合演化方法，利用流行的演化搜索算法CMA-ES来调整两个长短期记忆(LSTM)人工神经网络(ANN)模型用于风速预测的超参数。所提出的混合方法在位于波罗的海的瑞典风电场中安装的海上风力机收集的数据上进行训练。我们的实验考虑了两种预测时域：提前十分钟(绝对短期)和提前一小时(短期)。实验结果表明，以五项性能标准为度量，新方法的性能优于其他五种应用的机器学习模型，即多项式神经网络(PNN)、前馈神经网络(FNN)、非线性自回归神经网络(NAR)和自适应神经模糊推理系统(ANFIS)。
引用
@article{arxiv.2002.09106,
title = {An Evolutionary Deep Learning Method for Short-term Wind Speed Prediction: A Case Study of the Lillgrund Offshore Wind Farm},
author = {Mehdi Neshat and Meysam Majidi Nezhad and Ehsan Abbasnejad and Lina Bertling Tjernberg and Davide Astiaso Garcia and Bradley Alexander and Markus Wagner},
journal= {arXiv preprint arXiv:2002.09106},
year = {2020}
}