基于不同特征学习模型的两阶段短期风电功率预测算法
信号处理
2021-06-30 v3 机器学习
摘要
基于集成学习的两阶段预测方法在风电功率预测领域已被广泛研究。然而，基于深度学习的风电功率预测研究尚未探讨两个方面。在第一阶段，考虑多输入多输出的不同学习结构尚未被讨论。在第二阶段，模型外推问题尚未被研究。因此，我们在第一阶段开发了四种深度神经网络，以考虑输入输出结构来学习数据特征。随后，我们在第二阶段使用不同建模方法探究模型外推问题。考虑到过拟合问题，我们提出了一种基于验证集的新滑动窗口算法，在第一阶段以两种不同滑动窗口过程更新两阶段的训练数据。实验在三个风电场进行，结果表明具有单输入多输出结构的模型相比现有模型获得了更好的预测精度。此外，岭回归方法产生了更好的集成模型，相比现有机器学习方法可进一步提高预测精度。最后，所提两阶段预测算法能比现有算法生成更准确且稳定的结果。
引用
@article{arxiv.2006.00413,
title = {Two-stage short-term wind power forecasting algorithm using different feature-learning models},
author = {Jiancheng Qin and Jin Yang and Ying Chen and Qiang Ye and Hua Li},
journal= {arXiv preprint arXiv:2006.00413},
year = {2021}
}