找到 2 条结果 · Applied Energy
通过特征空间匹配分析解释基于时空相关性的LASSO回归模型用于风电功率预测
Interpreting LASSO regression model by feature space matching analysis for spatio-temporal correlation based wind power forecasting
Yongning Zhao · Yuan Zhao · Haohan Liao · Shiji Pan 等5人 · Applied Energy · 2025年1月 · Vol.380
摘要 解释高性能的风电功率预测（WPF）模型对于推动更可信和更精确的预测方法至关重要。当前的研究主要集中在解释黑箱深度学习模型，而忽视了能够直接指示特征重要性的自解释模型，尽管这些模型无法阐明其背后的成因机制。基于最小绝对收缩与选择算子（LASSO）的自解释回归模型在WPF中表现出色。因此，探索其内在决策逻辑及其系数的实际意义，以提取有益的领域知识，具有重要意义。本文提出了一种解释框架，旨在阐明考虑时空相关性的LASSO回归模型在WPF中的决策逻辑。该框架包含四个主要组成部分：首先，建立一个时空...
解读: 该LASSO回归模型解释框架对阳光电源储能系统(ST系列PCS、PowerTitan)和iSolarCloud平台具有重要应用价值。通过时空相关性量化和特征匹配分析,可优化风储协同预测精度,提升储能系统功率调度策略。特征扰动分析方法可应用于多场站协同控制,识别关键影响因素如特征共线性、参考场站空间分...
基于可解释对比学习的数据增强趋势-波动表征用于风电功率预测
Data-augmented trend-fluctuation representations by interpretable contrastive learning for wind power forecasting
Yongning Zhao · Haohan Liao · Yuan Zhao · Shiji Pan · Applied Energy · 2025年1月 · Vol.380
摘要 数据增强可以通过分析风电功率数据的统计特性来扩展数据规模，为预测模型提供更丰富的输入信息，从而提高预测精度。然而，现有的数据增强方法仅学习原始数据的概率分布，难以从数据中捕捉并表征复杂的变化趋势与波动特征。此外，来自不同风电场的异构数据模式会影响预测模型的泛化能力，而深度学习模型的黑箱结构在实际应用中也缺乏可信度。因此，本文提出一种新颖的可解释趋势-波动表征对比学习框架（ICoTF），用于风电功率预测。具体而言，ICoTF包含预训练阶段和回归阶段。首先，在预训练阶段设计了基于对比学习的数据...
解读: 该风电功率预测技术对阳光电源储能系统具有重要应用价值。ICoTF框架的趋势-波动特征提取能力可应用于ST系列PCS的功率预测模块,通过对比学习增强数据表征,提升PowerTitan储能系统的充放电策略优化精度。其可解释性设计符合iSolarCloud平台的预测性维护需求,特征重要性分析可优化GFM/...