强涵悦, 任惠, 于光发, et al. 基于区域迁移学习与动态图网络建模的超短期海上风电功率预测方法[J]. 2025, 41(6): 19-29.
DOI:
强涵悦, 任惠, 于光发, et al. 基于区域迁移学习与动态图网络建模的超短期海上风电功率预测方法[J]. 2025, 41(6): 19-29.DOI:
基于区域迁移学习与动态图网络建模的超短期海上风电功率预测方法
摘要
针对如何在数据稀缺地区利用有限的海上风电出力数据提高功率预测精度的问题,提出了一种基于区域迁移学习与动态图网络建模的超短期海上风电功率预测整体框架。首先将海上风电数据分为数据丰富的源域和数据稀缺的目标域,利用动态图注意力网络提取域内风电机组间的动态时空关联特征矩阵。然后利用迁移学习中的域判别器挖掘源域与目标域的域不变图嵌入特征,以准确表征两区域在时空双维度上相同的变化规律。最后将域不变特征作为改进后的Trans-KAN(Transformer and KolmogorovArnoldnetwork)模型的输入,处理风电出力数据中较为复杂的非线性关系,从而提高风电出力预测精度。仿真结果验证了所提方法在数据稀缺区域的海上风电功率预测方面的优越性能。
Abstract
关键词
Keywords
references
Murcia Juan Pablo,Koivisto Matti Juhani,Luzia Graziela,Olsen Bjarke T.,Hahmann Andrea N.,Sørensen Poul Ejnar,Als Magnus.Validation of European-scale simulated wind speed and wind generation time series[J].Applied Energy,2022.
Wu Di,Wang Boyu,Precup Doina,Boulet Benoit.Multiple Kernel Learning-Based Transfer Regression for Electric Load Forecasting[J].IEEE Transactions on Smart Grid,2020.
Jing Yan,Tinghui Ouyang.Advanced wind power prediction based on data-driven error correction[J].Energy Conversion and Management,2019.