用于时空预测的深度学习——在太阳能中的应用
机器学习
2022-05-10 v1 人工智能
机器学习
摘要
本论文探讨基于深度学习的时空预测课题。法国电力集团(EDF)的驱动应用为利用鱼眼图像的短期太阳能预测。我们探索两条主要研究方向，通过注入外部物理知识改进深度预测方法。第一方向关乎训练损失函数的角色。我们表明可微形状与时间准则可被用以提升既有模型的性能。我们在确定情形下提出DILATE损失函数，并在概率情形下提出STRIPE模型来解决。第二方向是用深度数据驱动网络增强不完备物理模型以实现精准预测。对于视频预测，我们引入PhyDNet模型，将物理动态与预测所需的残差信息（如纹理或细节）解耦。我们进一步提出一种学习框架(APHYNITY)，在温和假设下确保物理与数据驱动分量之间原则性且唯一的线性分解，从而带来更优的预测性能与参数辨识。
引用
@article{arxiv.2205.03571,
title = {Deep learning for spatio-temporal forecasting -- application to solar energy},
author = {Vincent Le Guen},
journal= {arXiv preprint arXiv:2205.03571},
year = {2022}
}
备注
PhD Thesis