典型文献
基于STL与MMoE多任务学习的区域多光伏电站超短期功率联合预测方法
文献摘要：
随着光伏并网容量的不断增加,准确的光伏功率预测对电网安全稳定运行意义重大.本文提出一种基于季节性分解与MMoE多任务学习的区域多光伏电站超短期功率联合预测方法.首先,通过季节性分解获得光伏功率的周期分量、剩余分量与趋势分量.其次,提出MMoE-LSTM-Attention网络来挖掘同一区域内不同光伏电站剩余分量与趋势分量之间的相关性,进行剩余分量与趋势分量的预测.最后,将分量进行汇总,得到光伏电站超短期功率预测结果.相较于传统基于硬共享机制的多任务学习模型,MMoE模型能够自动调整任务目标和任务间关系的参数权重.注意力机制能够进一步优化子任务的特征提取能力.在DKASC数据集上进行了算例实测,分别验证了季节性分解、MMoE多任务学习模型及注意力机制在区域多光伏电站功率预测问题上的有效性.
文献关键词：
区域光伏功率预测;MMoE多任务学习;注意力机制;季节性分解
中图分类号：
作者姓名：
王本涛;白杨;邢红涛;徐岩
作者机构：
国网呼伦贝尔供电公司,呼伦贝尔 021000;河北冀研能源科学技术研究院有限公司,石家庄 050071;华北电力大学电力工程系,保定 071003
文献出处：
引用格式：
[1]王本涛;白杨;邢红涛;徐岩-.基于STL与MMoE多任务学习的区域多光伏电站超短期功率联合预测方法)[J].电力系统及其自动化学报,2022(09):17-23,31
A类：
MMoE,季节性分解,DKASC,区域光伏功率预测
B类：
STL,多任务学习,光伏电站,联合预测,光伏并网,电网安全,安全稳定运行,过季,Attention,超短期功率预测,共享机制,自动调整,任务目标,注意力机制,化子,子任务,特征提取能力
AB值：
0.150992
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。
