找到 1 条结果
一种端到端集成学习方法以提升风电功率预测
An End-to-End Ensemble Learning Approach for Enhancing Wind Power Forecasting
Yun Wang · Houhua Xu · Yaohui Huang · Fan Zhang 等6人 · IEEE Transactions on Sustainable Energy · 2025年6月
精确的风电功率预测对电网稳定性和可靠高效的电力供应至关重要。针对现有集成模型多阶段建模易导致误差累积、训练低效及基学习器数量有限造成预测多样性不足的问题，本文提出MG-DS模型。该模型基于Dempster-Shafer证据理论，将基模型学习与集成学习统一于端到端框架中，包含全MLP非线性特征提取、GRU与交叉注意力基预测生成，以及基于DS理论的自集成模块，并引入“放大镜”机制增强预测多样性。此外，提出DS自集成（DSSE）插件以融合RNN与非RNN基预测器。在五个风电数据集上的实验验证了MG-D...
解读: 该端到端集成学习预测方法对阳光电源储能与风电产品线具有重要应用价值。MG-DS模型的高精度功率预测可直接应用于ST系列储能变流器的调度优化和PowerTitan储能系统的容量规划。其'放大镜'机制和DS自集成技术可提升iSolarCloud平台对风电场功率预测的准确性,有助于优化储能调度策略。该技术...