改进 LSTM 神经网络以实现更好的短期风电预测
机器学习
2019-08-06 v2 机器学习
摘要
本文通过以天气预报为上下文的长短期记忆神经网络（LSTM）模型改进风电预测。最初，仅将风电数据输入通用 LSTM，但该模型表现不佳，即使在低方差数据段上也观察到不稳定与朴素行为。为解决此问题，加入了天气预报数据以更好地为功率数据提供上下文，并对 LSTM 进行修改以解决特定的模型缺陷。这些模型通过归一化平均绝对误差和朴素比（NR）进行了测试，后者是本文引入的用于量化训练模型中不期望存在的朴素特征的一项分数。结果表明，在改进模型上加入天气预报数据提高了准确性，并降低了朴素特征。主要贡献包括制作改进的 LSTM 变体、使用天气预报数据，以及引入一种新的模型性能指数。
引用
@article{arxiv.1907.00489,
title = {Improving LSTM Neural Networks for Better Short-Term Wind Power Predictions},
author = {Maximilian Du},
journal= {arXiv preprint arXiv:1907.00489},
year = {2019}
}
备注
5 pages, 4 figures, 3 tables