基于聚类的多任务深度神经网络用于太阳能光伏发电功率预测
机器学习
2024-05-15 v2 人工智能
摘要
光伏电池的日益普及导致可再生能源发电量增加，但也增加了能源调度的不确定性。预测光伏发电功率对于智能电网中的能源管理和调度优化至关重要。然而，光伏发电数据通常来自不同类型的用户（例如，住宅、农业、工业和商业），而用户信息通常是去标识化的。这通常导致预测模型使用所有光伏发电数据进行训练，使预测器能够通过模型内自学习学习各种模式，而不是为每种用户类型构建单独的预测器。在本文中，我们提出了一种基于聚类的多任务深度神经网络（CM-DNN）框架用于光伏发电功率预测。应用K-means将数据聚类为不同的用户类型。对于每种类型，训练一个深度神经网络（DNN）直到精度无法提高。随后，对于指定的用户类型（即目标任务），进行模型间知识迁移以提高其训练精度。在此过程中，设计了源任务选择以选择最优的任务子集（不包括目标用户），每个选定的源任务使用一个系数来确定迁移到目标预测任务的DNN模型知识（权重和偏置）的数量。所提出的CM-DNN在真实世界的光伏发电数据集上进行了测试，并通过与不使用聚类的单一模型训练数据集的预测性能进行比较，证明了其优越性。
引用
@article{arxiv.2405.05989,
title = {Clustering-based Multitasking Deep Neural Network for Solar Photovoltaics Power Generation Prediction},
author = {Hui Song and Zheng Miao and Ali Babalhavaeji and Saman Mehrnia and Mahdi Jalili and Xinghuo Yu},
journal= {arXiv preprint arXiv:2405.05989},
year = {2024}
}