基于深度信念网络的特征生成与回归的风功率预测
机器学习
2018-08-01 v1 机器学习
摘要
风能预测有助于管理电力生产，从而降低成本。深度神经网络（DNN）模拟人脑的层次化学习，因而具备层次化、分布式与多任务学习能力。基于上述特性，我们提出基于深度信念网络（DBN）的风功率预测引擎，因其良好的泛化与无监督预训练属性。所提DBN-WP预测引擎具备随机特征生成能力，由多个受限玻尔兹曼机组成，以大气属性为输入生成适用于风功率预测的特征。DBN-WP因其RBM层的无监督预训练与泛化能力，能够学习气象属性的波动，从而实现风功率的有效映射。在深度网络末端添加回归层以预测短期风功率。实验表明，基于DBN模型的深度学习与无监督预训练能力取得与混合及复杂学习技术相当、某些情况下更优的结果。所提基于DBN的预测系统RMSE、MAE与SDE均值分别为0.124、0.083与0.122。对所提DBN-WP风功率预测系统多次独立执行的统计分析证明了系统稳定性。所提DBN-WP架构易于实现，且就风电场位置变化而言具备泛化能力。
引用
@article{arxiv.1807.11682,
title = {Deep Belief Networks Based Feature Generation and Regression for Predicting Wind Power},
author = {Asifullah Khan and Aneela Zameer and Tauseef Jamal and Ahmad Raza},
journal= {arXiv preprint arXiv:1807.11682},
year = {2018}
}
备注
Pages:31 Figure:11 Table:5