典型文献
基于特征选择与多层级深度迁移学习的风电场短期功率预测
文献摘要：
风电功率预测对电力系统的安全运行与经济调度至关重要,但对新建、扩容或改造的风电场功率预测建模面临两大难题:首先,新建场站及场站扩容造成部分场站运行数据不足,模型训练不充分;其次,传统浅层神经网络难以应对愈发复杂的预测输入信息.为此,提出了一种基于特征选择多层级深度迁移学习的风电场短期功率预测模型.首先,采用相关性分析方法对同省其他风电场的历史数据集按与目标风电场的相关性划分层级,然后按相关性由低到高的顺序,将源风电场预测模型迁移到目标风电场,最后采用特征选择方法优化迁移模型,保证相关性强的特征有效迁移.算例分析表明:1)多层级深度迁移学习模型可以弥补新建风电场训练样本不足的难题,与直接建模相比,精度提升6.5％;2)采用特征选择方法优化之后的模型,预测精度可提升0.4％,因而所提出的方法是数据短缺情况下一种有效的风电场功率预测建模方法.
文献关键词：
深度学习;迁移学习;大数据;特征选择;风电;功率预测
中图分类号：
作者姓名：
程凯;彭小圣;徐其友;王勃;刘纯;车建峰
作者机构：
华中科技大学电气与电子工程学院强电磁工程与新技术国家重点实验室,武汉430074;中国电力科学研究院有限公司新能源与储能运行控制国家重点实验室,北京100192
文献出处：
引用格式：
[1]程凯;彭小圣;徐其友;王勃;刘纯;车建峰-.基于特征选择与多层级深度迁移学习的风电场短期功率预测)[J].高电压技术,2022(02):497-503
A类：
B类：
特征选择,多层级,深度迁移学习,风电场,短期功率预测,风电功率预测,电力系统,经济调度,扩容,预测建模,场站,分场,运行数据,模型训练,浅层神经网络,功率预测模型,同省,历史数据,模型迁移,选择方法,方法优化,迁移模型,有效迁移,算例分析,训练样本,直接建模,精度提升
AB值：
0.274101
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
