摘要:
随着全球化石燃料短缺日益严重，可再生能源的开发与利用愈发得到重视。风能是被广泛使用的清洁能源之一，在生产工作中，风力发电作为风能的主要利用形式，需要对其功率进行预测。依托风场日常记录的历史数据，传统学习模型可对风功率进行短期预测，但往往仅使用自己域内的历史数据作为分析对象，该类算法导致结果片面，局限性大，不能有效使用类数据中的隐含联系，抑制原始数据缺失或异常值引起的模型性能下降问题。笔者设计一种基于历史数据深度迁移的短期风功率预测模型。首先，使用带降噪处理的自动编码机构建深度神经网络模型。其次，应用深度迁移方法共享隐藏层，挖掘特征之间的隐含联系。最后，从具有相似特征和地理位置的风场数据中迁移重要知识，提高模型准确率和可靠性。实验结果表明，研究方法较之未使用迁移的方法更充分利用现有数据，预测准确率显著提高。
