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。
类型: 期刊论文
作者: 陈金富,朱乔木,石东源,李银红,ZHU Lin,段献忠,LIU Yilu
关键词: 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
来源: 中国电机工程学报 2019年07期
年度: 2019
分类: 工程科技Ⅱ辑,信息科技
专业: 电力工业,自动化技术
单位: 强电磁工程与新技术国家重点实验室(华中科技大学电气与电子工程学院),田纳西大学电气工程与计算机科学学院
基金: 国家重点研发计划项目(2016YFB0900101),国家建设高水平大学公派研究生项目(201706160087)~~
分类号: TM614;TP18
DOI: 10.13334/j.0258-8013.pcsee.180897
页码: 2093-2106
总页数: 14
文件大小: 1003K
下载量: 465
本文来源: https://www.lunwen66.cn/article/487f462a8e4b10349c20d931.html