迁移学习作为可再生能源系统中数字孪生的必备工具
机器学习
2022-03-11 v1
摘要
迁移学习作为机器学习的下一个前沿，近年来获得了极大的关注，这源于机器学习面临的各种挑战，如对大量训练数据的需求、昂贵且耗时的数据样本标注过程以及漫长的模型训练周期。迁移学习在应对这些问题时非常有用，因为它侧重于将先前已解决任务的知识转移到新任务中。数字孪生和其他智能系统需要利用迁移学习来运用已获取的知识，以更自主的方式解决新任务，并逐步扩展其知识库。因此，本文识别了可再生能源系统背景下功率预测和异常检测的关键挑战，并提出了一种应对这些挑战的潜在迁移学习框架。本文还提出了一种特征嵌入方法来处理缺失的传感器数据。所提出的迁移学习方法有助于在有机计算的背景下使系统更具自主性。
引用
@article{arxiv.2203.05026,
title = {Transfer Learning as an Essential Tool for Digital Twins in Renewable Energy Systems},
author = {Chandana Priya Nivarthi},
journal= {arXiv preprint arXiv:2203.05026},
year = {2022}
}
备注
Accepted at the Organic Computing Doctoral Dissertation Colloquium (OC-DDC) 2021 Workshop