找到 2 条结果
基于高效参数更新规则的有限数据概率风力发电预测
Probabilistic Wind Power Forecasting With Limited Data Based on Efficient Parameter Updating Rules
Zichao Meng · Ye Guo · IEEE Transactions on Power Systems · 2024年8月
本文提出了一种基于元优化器的有限历史数据下概率风电功率预测（WPF）方法，包括离线训练和在线自适应过程。在离线训练部分，首先通过元训练基于长短期记忆网络（LSTM）构建一个风电功率预测元优化器，随后利用该元优化器在有限历史数据场景下有效训练概率预测模型。这种基于元训练的过程实现了直接从风电功率数据中学习概率风电功率预测算法。在在线自适应部分，通过在线更新策略使离线训练的预测模型不断适应新收集的风电功率数据，进一步提高其性能。在此过程中，还基于这些在线数据更新风电功率预测元优化器，为预测模型的参数...
解读: 该风电预测方法对阳光电源的储能和智能运维产品线具有重要应用价值。在ST系列储能系统中,可用于优化充放电策略和容量配置;在iSolarCloud平台中,可提升风电场发电预测精度,为运维决策提供更可靠支撑。特别是针对新建风电场数据有限的场景,该方法通过在线参数更新机制,能快速提升预测准确度,有助于提高储...
基于增量贝叶斯随机配置网络的漂移环境概率风力预测
Probabilistic Wind Power Prediction Using Incremental Bayesian Stochastic Configuration Network Under Concept Drift Environment
Jizhong Zhu · Le Zhang · Di Zhang · Yixi Chen · IEEE Transactions on Industry Applications · 2024年9月
传统数据驱动的概率风力预测方法通常假设外部环境静态不变，而实际工业数据常受概念漂移影响，导致模型性能下降。为此，本文提出一种增量贝叶斯随机配置网络方法。该方法利用无需迭代的轻量级随机权值神经网络SCN建模变量与目标间的潜在关系，并结合贝叶斯推断更新输出层参数，构建概率预测模型BSCN。通过最大均值差异与连续排序概率评分检测虚拟与真实漂移，以真实漂移触发BSCN的增量学习，并设计特定更新策略实现模型自适应。实验表明，该方法在动态漂移环境中能持续学习新模式且不遗忘旧知识，显著提升预测精度。
解读: 该增量贝叶斯预测方法对阳光电源风电和储能产品线具有重要应用价值。首先可用于ST系列储能变流器的功率预测与调度优化，提升储能系统对风电波动的平抑效果。其次可集成到iSolarCloud平台，通过实时漂移检测和自适应学习提高风电场发电预测准确度，优化PowerTitan储能系统的调度策略。该方法的轻量级...