Cross-Dataset Data Augmentation Using UMAP for Deep Learning-Based Wind Speed Prediction

doi:10.3390/computers14040123

2025-03-27

Eder Arley Leon-Gomez

Andrés Marino Álvarez-Meza *

G. Castellanos-Domínguez

DOI：10.3390/computers14040123

原文链接

原文求助

摘要

En 中文

风能已成为全球向可再生能源过渡的基石，其低环境影响和显著发电潜力是推动这一趋势的关键因素。然而，受复杂且动态的大气模式影响，风能固有的间歇性给风速的精确预测带来了严峻挑战。现有方法，包括统计方法、机器学习和深度学习，往往受限于非线性、非平稳性、计算需求以及需要大量高质量数据集等问题。为应对这些挑战，我们提出了一种新颖的保持邻域特性的跨数据集数据增强框架，用于长时域风速预测。该方法通过三个关键组件解决数据变异性及动态行为问题：（i）采用统一流形近似和投影（UMAP）作为非线性降维技术，在编码风速时间序列数据中的局部关系的同时保持邻域结构；（ii）引入基于UMAP降维空间的局部化跨数据集数据增强（DA）方法，以增强数据多样性并缓解数据集间的变异性；（iii）在增强的数据集上训练循环神经网络（RNN），以有效建模时间依赖性和非线性模式。我们的框架使用来自不同地理位置的数据集进行了评估，包括阿贡气象观测站（美国）、成都机场（中国）和北京首都国际机场（中国）。基于回归指标的RNN、GRU和LSTM架构的对比测试表明，所提出的方法在提升预测精度和泛化能力方面表现更优，导致预测误差平均降低。因此，本研究突显了集成先进降维、数据增强和深度学习技术以应对可再生能源预测中关键挑战的潜力。

Keyword:

time-series prediction

wind speed

non-linear dimensionality reduction

cross-dataset data augmentation

neural networks