.png){kind=icon}
返回
Probability Density Function Control-Based Deep Ensemble Learning for Wind Energy System Power Forecasting
.png){kind=icon}
PRE
AI
DOI：10.1002/acs.4050.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
准确可靠的风力发电预测在风能利用中起着至关重要的作用。然而，将风能转换为电能的非线性过程的复杂性改变了误差的统计分布（即概念漂移），使得这项任务的完成极具挑战性。为此，我们基于“分解-预测-集成”框架提出了一种创新的风力发电预测方法。首先，通过改进的变分模态分解将原始风力发电数据分解为多个固有模态函数（IMFs），并采用核主成分分析降低这些IMFs的维度，从而显著简化多维IMF数据的复杂性。然后，考虑到建模误差的不对称特性，为每个子序列开发了一种基于概率密度函数（PDF）控制的时序卷积网络，通过控制建模误差的PDF接近理想高斯分布来调整预测模型参数。最后，采用基于PDF的差分进化集成策略整合多个子序列预测模型，并从数学角度分析了集成策略的收敛性。结果表明，所提出的方法能够突破对称损失仅捕捉二阶矩信息的局限，缓解误差分布的偏移以实现无偏估计。采用实际风电场数据进行实证分析，模拟结果验证了所提出模型的高精度和泛化能力。
Keyword:
hybrid ensemble learning
nonlinear system identification
probability density function control
wind energy system
wind power prediction
期刊
IF:
3.8
论文数:
2.6K
被引数:
3.6K
机构
引用论文
分享收藏Wind power forecasting based on hybrid CEEMDAN-EWT deep learning method基于ceemdan-ewt混合深度学习方法的风电功率预测.png)
RENEWABLE ENERGY
RENEWABLE ENERGYIF9.1
PREAI
分享收藏
Multistep short-term wind power forecasting model based on secondary decomposition, the kernel principal component analysis, an enhanced arithmetic optimization algorithm, and error correctionENERGY
ENERGYIF9.4
PREAI
分享收藏Bayesian averaging-enabled transfer learning method for probabilistic wind power forecasting of newly built wind farmsAPPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏A hybrid electric vehicle load classification and forecasting approach based on GBDT algorithm and temporal convolutional network基于GBDT算法和时间卷积网络的混合动力汽车负荷分类预测方法APPLIED ENERGY
APPLIED ENERGYIF11
PREAI
分享收藏DTTM: A deep temporal transfer model for ultra-short-term online wind power forecastingENERGY
ENERGYIF9.4
PREAI
分享收藏
查看更多内容