10.13334/j.0258-8013.pcsee.180897
利用时空相关性的多位置多步风速预测模型
兼顾时、空相关性的风速预测意义重大也极具挑战.围绕多位置、多步风速预测问题展开研究,从风速时空序列的本质出发,提出了一种“先提取空间特征,后捕捉时间依赖”的两阶段建模思路.构造了一个利用时空相关性的风速预测模型——深层时空网络(deep spatio-temporal network,DSTN).该模型由卷积神经网络(convolutional neural network,CNN)和双向门控循环单元(bidirectional gated recurrent unit,BGRU)共同构成,并通过“端对端”的方式进行训练,具备“序列到序列”的预测能力.首先,DSTN利用底层的CNN从空间风速矩阵中提取空间特征.然后,利用BGRU捕捉来自连续时间断面的空间特征之间的时间依赖关系,进而实现对时空序列的预测.此外,还定义了针对多位置风速预测的误差指标,用以描述预测模型的总体平均性能和个体误差控制能力.以美国加利福尼亚州某风电场实测数据为算例进行分析,结果表明,DSTN能够有效利用时空相关性进行风速预测,其预测性能优于多种现有预测模型.
深度学习、卷积神经网络、双向门控循环单元、时空相关性、多位置、多步风速预测、“端到端”学习、“序列到序列”预测
39
TM76(输配电工程、电力网及电力系统)
国家重点研发计划;国家建设高水平大学公派研究生项目
2019-05-24(万方平台首次上网日期,不代表论文的发表时间)
共13页
2093-2105