针对影响风电中长期预测的气象、地理等因素众多且复杂,及无法解决长期依赖时间序列的问题,提出一种基于多维特征融合网络(multi-dimensional feature fusion network,MFFN)和长短期记忆(long and short term memory,LSTM)的预测方法—...针对影响风电中长期预测的气象、地理等因素众多且复杂,及无法解决长期依赖时间序列的问题,提出一种基于多维特征融合网络(multi-dimensional feature fusion network,MFFN)和长短期记忆(long and short term memory,LSTM)的预测方法—多维特征提取(feature extraction,FE)-关联函数(copula,CO)-LSTM融合模型(FE-CO-LSTM)。收集来自不同地区4个风电场的特征数据,在研究云贵高原地区风电场的背景下,最大限度扩充模型数据集;使用关联结构函数构造一种提取气象特征的方法,使模型可以在一定程度上量化气象因素和风力发电之间的相关性;基于神经网络模型提出一种特征表示与融合方法,以有效表达风电场气象因素、地理位置等特征;最后提出一种基于LSTM网络的中长期发电量预测模型,以有效解决模型对风电场时间序列数据反向传播时早期月度数据信息缺失的问题。实验结果证明,FE-CO-LSTM表现出最佳的预测性能。展开更多
文摘针对影响风电中长期预测的气象、地理等因素众多且复杂,及无法解决长期依赖时间序列的问题,提出一种基于多维特征融合网络(multi-dimensional feature fusion network,MFFN)和长短期记忆(long and short term memory,LSTM)的预测方法—多维特征提取(feature extraction,FE)-关联函数(copula,CO)-LSTM融合模型(FE-CO-LSTM)。收集来自不同地区4个风电场的特征数据,在研究云贵高原地区风电场的背景下,最大限度扩充模型数据集;使用关联结构函数构造一种提取气象特征的方法,使模型可以在一定程度上量化气象因素和风力发电之间的相关性;基于神经网络模型提出一种特征表示与融合方法,以有效表达风电场气象因素、地理位置等特征;最后提出一种基于LSTM网络的中长期发电量预测模型,以有效解决模型对风电场时间序列数据反向传播时早期月度数据信息缺失的问题。实验结果证明,FE-CO-LSTM表现出最佳的预测性能。
