用于风电功率模拟的气候感知深度神经网络 (CADNN)
机器学习
2024-12-18 v1 人工智能
摘要
风电预测在现代能源系统中发挥着关键作用，促进了可再生能源并入电网。准确预测风能输出对于管理风电固有的间歇性、优化能源调度以及确保电网稳定至关重要。本文提出使用基于深度神经网络 的预测模型，该模型利用包括风速、大气压力、温度和其他气象变量在内的气候数据集，以提高风电功率模拟的准确性。特别地，我们关注耦合模式相互比较计划 数据集，该数据集提供气候预测，作为训练 DNN 模型的输入。这些模型旨在捕捉基于 CMIP 的气候数据与位于德国的风电场实际风电发电量之间的复杂非线性关系。我们的研究比较了多种 DNN 架构，特别是多层感知机 (MLP)、长短期记忆网络和 Transformer 增强的 LSTM 模型，以在这些架构中确定用于气候感知风电模拟的最佳配置。该框架的实现涉及开发一个 Python 包，旨在支持多项任务，包括气候数据的统计分析、数据可视化、预处理、DNN 训练和性能评估。我们证明，当 DNN 模型与气候数据集成时，可显著提高预测准确性。这种气候感知方法提供了对影响风电功率的时间依赖性气候模式的更深入理解，提供了更准确的预测，并使其能够适应其他地理区域。
引用
@article{arxiv.2412.12160,
title = {Climate Aware Deep Neural Networks (CADNN) for Wind Power Simulation},
author = {Ali Forootani and Danial Esmaeili Aliabadi and Daniela Thraen},
journal= {arXiv preprint arXiv:2412.12160},
year = {2024}
}