.png){kind=icon}
返回
A Self-Supervised Pre-Learning Method for Low Wind Power Forecasting
.png){kind=icon}
PRE
AI
DOI：10.1109/TSTE.2025.3529199.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着风电成为电力系统的主要能源之一，其间歇性低出力导致的缺电风险日益增长。准确预测低风电出力对于缓解这些影响至关重要。然而，由于低风电出力发生频率低，传统方法面临小样本问题，限制了准确性的提升。为解决此问题，提出了一种自监督预学习方法来预测低风电出力发生时段和出力，利用低出力样本间的相似性和差异性以提高预测精度。低风电出力被分解为低风电事件（LWPE，表示发生时段）和低风电过程（LWPP，表示功率序列）。对于LWPE预测，引入了基于对比学习的孪生残差收缩网络，通过从样本对中预学习LWPE特征来缓解样本分布不平衡的影响。对于LWPP预测，提出了基于模式识别的嵌入式预测框架，将典型LWPP波动嵌入预测网络以在有限样本条件下改善拟合效果。3个风电集群的案例研究表明，该方法将LWPP预测准确率从84.99%-86.6%提升至89.97%，优于无预学习的传统方法。
Keyword:
Low wind power output
wind power forecasting
self-supervised learning
期刊
IF:
5.4
论文数:
6.8K
被引数:
1.5W
机构
引用论文
The univariate model for long-term wind speed forecasting based on wavelet soft threshold denoising and improved Autoformer基于小波软阈值去噪和改进自动成形器的单变量风速长期预测模型.png)
ENERGY
ENERGYIF9.4
PREAI
分享收藏Augmented Convolutional Network for Wind Power Prediction: A New Recurrent Architecture Design With Spatial-Temporal Image Inputs用于风电功率预测的增强卷积网络: 具有时空图像输入的新型循环体系结构设计
PREAI
分享收藏A Cross-Modal Generative Adversarial Network for Scenarios Generation of Renewable Energy用于可再生能源场景生成的跨模态生成对抗网络
PREAI
分享收藏A Bayesian network learning method for sparse and unbalanced data with GNN-based multilabel classification application稀疏不平衡数据的贝叶斯网络学习方法及其在GNN多标签分类中的应用
PREAI
分享收藏分享收藏Interpretable wind speed prediction with multivariate time series and temporal fusion transformersENERGY
ENERGYIF9.4
PREAI
分享收藏Short-term wind power forecasting approach based on Seq2Seq model using NWP data基于NWP数据的Seq2Seq模型短期风电功率预测方法ENERGY
ENERGYIF9.4
PREAI
分享收藏
查看更多内容