基于纠错迁移学习的知识蒸馏用于风电功率预测
机器学习
2022-04-05 v1 信号处理
摘要
风电功率预测，尤其是针对涡轮机的预测，对电力公司的运行、可控性和经济性至关重要。将先进数据科学与天气预报相结合的混合方法已逐步应用于预测中。然而，从零开始对大量涡轮机单独建模并将天气预报降尺度至涡轮机尺度既不容易也不经济。为此，本文提出了一种具有数学基础的涡轮机功率预测新框架。该框架首次将知识蒸馏引入能源预测，通过从已建立的风场模型学习知识，实现准确且经济的涡轮机模型构建。此外，通过预测功率误差的迁移学习，将风场尺度天气预报非显式地映射到各涡轮机，实现模型校正以获得更好性能。所提框架部署于北极风场中具有不同地形的五台涡轮机上，结果通过消融研究的对比方法进行评价。主要发现表明，基于良好知识蒸馏与迁移学习参数调优开发的该框架，相较对比方法取得了 3.3% 至 23.9% 的性能提升。这一优势在风能物理与计算效率方面同样存在，并通过预测质量率与计算时间得以验证。
引用
@article{arxiv.2204.00649,
title = {Knowledge distillation with error-correcting transfer learning for wind power prediction},
author = {Hao Chen},
journal= {arXiv preprint arXiv:2204.00649},
year = {2022}
}