典型文献
基于模型无关优化策略的风电短时回归预测框架设计
文献摘要：
目前,风电出力预测面临跨环境、跨传感器设备的多任务挑战,往往需要对不同的预测目标各自独立地展开针对性训练.鉴于此,首先提出了一种基于模型无关元学习策略?(model-agnostic?meta-learning,?MAML)的短期预测方法,并基于该方法能够实现对新任务样本快速适应的能力设计了新型回归训练框架.然后结合卷积神经网络–长短期记忆网络、有注意力机制的Seq2Seq、有自注意力机制的Transformer、Synthesizer等时序深度网络模型,将该框架应用于风力发电预测场景.实验结果表明相比常规的预训练–微调的深度网络训练方法,所提出的方法在GEFCom2012数据集上对各算例实现了均方根误差和均方误差等指标的提高,同时各模型在短时风电出力为案例的预测任务上的泛化性能获得了一定提升.该训练框架可便捷地将主流深度学习模型和数据集转换为适应MAML策略的匹配模式.
文献关键词：
智能电网;深度学习;短时电力数据预测;模型无关优化(MAML)策略
中图分类号：
作者姓名：
丁琦;邱才明;杨浩森;童厚杰
作者机构：
上海交通大学 电子信息与电气工程学院,上海市 闵行区 200240;华中科技大学 电子信息与通信学院,湖北省武汉市 430074
文献出处：
引用格式：
[1]丁琦;邱才明;杨浩森;童厚杰-.基于模型无关优化策略的风电短时回归预测框架设计)[J].现代电力,2022(03):253-261,中插1
A类：
GEFCom2012,短时电力数据预测
B类：
基于模型,回归预测,框架设计,风电出力,出力预测,多任务,立地,针对性训练,关元,元学习策略,model,agnostic,meta,learning,MAML,短期预测,新任务,快速适应,能力设计,长短期记忆网络,Seq2Seq,自注意力机制,Transformer,Synthesizer,深度网络模型,风力发电预测,预训练,微调,网络训练,训练方法,均方误差,时风,泛化性能,深度学习模型,匹配模式,智能电网
AB值：
0.402994
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。
