针对风电场规划中风速的高随机性问题,提出了一种基于小样本空时融合压缩残差网络点预测(spatio-temporal integration and compression deep residual,STiCDRS)模型。该模型旨在深入挖掘风速序列中的空间和时间特征,以提升点预测精度...针对风电场规划中风速的高随机性问题,提出了一种基于小样本空时融合压缩残差网络点预测(spatio-temporal integration and compression deep residual,STiCDRS)模型。该模型旨在深入挖掘风速序列中的空间和时间特征,以提升点预测精度。首先,采用空时融合压缩残差网络点预测模型得到点预测结果。然后,在此基础上采用新颖的空时融合压缩残差网络区间(STiCDRS-Gaussian process regression,STiCDRS-GPR)预测模型得到风速的区间预测结果,进而得到更为可靠的风速概率预测结果。该模型采用贝叶斯优化方法进行超参数选择,确保超参数的高效自动化调优。最后,使用内蒙古地区风电场的风速数据集,将STiCDRS模型与传统经典模型的预测结果进行对比。实验结果表明,相较于其他模型,所提STiCDRS-GPR模型在风速预测中具有更高的点预测精度、适宜的预测区间以及可靠的概率预测结果,充分展示了其在风速预测领域的良好应用潜力。展开更多
文摘针对风电场规划中风速的高随机性问题,提出了一种基于小样本空时融合压缩残差网络点预测(spatio-temporal integration and compression deep residual,STiCDRS)模型。该模型旨在深入挖掘风速序列中的空间和时间特征,以提升点预测精度。首先,采用空时融合压缩残差网络点预测模型得到点预测结果。然后,在此基础上采用新颖的空时融合压缩残差网络区间(STiCDRS-Gaussian process regression,STiCDRS-GPR)预测模型得到风速的区间预测结果,进而得到更为可靠的风速概率预测结果。该模型采用贝叶斯优化方法进行超参数选择,确保超参数的高效自动化调优。最后,使用内蒙古地区风电场的风速数据集,将STiCDRS模型与传统经典模型的预测结果进行对比。实验结果表明,相较于其他模型,所提STiCDRS-GPR模型在风速预测中具有更高的点预测精度、适宜的预测区间以及可靠的概率预测结果,充分展示了其在风速预测领域的良好应用潜力。
