风电与光伏功率预测中迁移学习的模型选择、适配与组合
机器学习
2022-07-19 v3 人工智能
摘要
近期，在计算机视觉任务中使用模型中心（一组预训练模型的集合）引起了关注。为利用模型中心，我们首先选择源模型，然后使该模型适配目标以补偿差异。尽管关于计算机视觉任务中模型选择与适配的研究尚且有限，在可再生电力领域这一情况更甚。与此同时，基于数值天气预报的天气特征为日益增长的功率预测需求提供预测，是一项关键挑战。我们通过针对可再生电力预测中迁移学习的模型选择与适配开展首个详尽实验，采纳计算机视觉领域近期成果应用于 667 个风电场与光伏电站，从而填补这些空白。据我们所知，这使其成为可再生电力预测中迁移学习最广泛的研究，降低了计算开销并改善了预测误差。因此，我们基于不同季节的目标数据采用源模型，并限制训练数据量。作为对当前最优水平的扩展，我们利用贝叶斯线性回归，基于从神经网络提取的特征预测响应。该方法仅用七天训练数据便优于基线。我们进一步展示了通过集成组合多个模型如何能显著改进模型选择与适配方法。
引用
@article{arxiv.2204.13293,
title = {Model Selection, Adaptation, and Combination for Transfer Learning in Wind and Photovoltaic Power Forecasts},
author = {Jens Schreiber and Bernhard Sick},
journal= {arXiv preprint arXiv:2204.13293},
year = {2022}
}