典型文献
用于短期风功率预测的历史数据深度迁移模型
文献摘要：
随着全球化石燃料短缺日益严重,可再生能源的开发与利用愈发得到重视.风能是被广泛使用的清洁能源之一,在生产工作中,风力发电作为风能的主要利用形式,需要对其功率进行预测.依托风场日常记录的历史数据,传统学习模型可对风功率进行短期预测,但往往仅使用自己域内的历史数据作为分析对象,该类算法导致结果片面,局限性大,不能有效使用类数据中的隐含联系,抑制原始数据缺失或异常值引起的模型性能下降问题.笔者设计一种基于历史数据深度迁移的短期风功率预测模型.首先,使用带降噪处理的自动编码机构建深度神经网络模型.其次,应用深度迁移方法共享隐藏层,挖掘特征之间的隐含联系.最后,从具有相似特征和地理位置的风场数据中迁移重要知识,提高模型准确率和可靠性.实验结果表明,研究方法较之未使用迁移的方法更充分利用现有数据,预测准确率显著提高.
文献关键词：
短期风功率预测;历史数据;深度迁移学习
中图分类号：
作者姓名：
彭飞;贲驰;马煜;吴奕;安丰强;陈志奎
作者机构：
国家电网公司 东北分部,沈阳 110180;大连理工大学 软件学院,大连 116620
文献出处：
引用格式：
[1]彭飞;贲驰;马煜;吴奕;安丰强;陈志奎-.用于短期风功率预测的历史数据深度迁移模型)[J].重庆大学学报,2022(01):95-102
A类：
B类：
短期风功率预测,历史数据,数据深度,迁移模型,化石燃料,日益严重,可再生能源,开发与利用,发得,风能,清洁能源,风力发电,利用形式,风场,日常记录,传统学习,短期预测,有效使用,原始数据,数据缺失,异常值,模型性能,性能下降,功率预测模型,降噪处理,自动编码机,深度神经网络模型,法共,模型准确率,较之,预测准确率,深度迁移学习
AB值：
0.359228
相似文献
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。
