基于深度迁移模型的短期风速预测

《基于深度迁移模型的短期风速预测》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于深度迁移模型的短期风速预测Short-TermWindSpeedPredictionBasedonDeepTransferModels学科专业：计算机科学与技术作者姓名：张汝佳指导教师：胡清华教授天津大学计算机科学与技术学院二零一五年十二月独创性声明本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表或撰写过的研究成果，也不包含为获得天津大学或其他教育机构的学位或证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已

2、在论文中作了明确的说明并表示了谢意。学位论文作者签名：签字日期：年月日学位论文版权使用授权书本学位论文作者完全了解天津大学有关保留、使用学位论文的规定。特授权天津大学可以将学位论文的全部或部分内容编入有关数据库进行检索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学校向国家有关部门或机构送交论文的复印件和磁盘。（保密的学位论文在解密后适用本授权说明）学位论文作者签名：导师签名：签字日期：年月日签字日期：年月日摘要由于传统能源的消耗和环境的恶化，清洁的可再生能源目前在全球范围内被广泛应用。风能具

3、有无污染、低成本、大规模等优势，使其成为一种重要的能源。然而，作为影响风力发电最重要的因素，风速具有不确定、不稳定的特性，对其准确的预测在电力的分配、调度和风能转换系统的规划、维护中都有重要的意义。对于一些新建立的风电场或风机，历史数据不足使得其无法建立一个准确的模型。而对于那些建立很久的风电场或风机，它们拥有长期的风速记录。因此，可考虑是否可以用其他风电场或风机的数据帮助研究目标建立模型。本文我们提出利用迁移学习来解决新建风电场或风机的短期风速预测问题。主要研究成果和创新点具体体现在以下几个方面：1.提出一种

4、新的风速预测研究课题，针对预测对象数据量不足的问题，从数据量充足的源域迁移知识到数据量匮乏的目标域，从而帮助目标域更好地建立模型。2.分析风速变化特性，对不同时间段的风速进行统计分析。利用相关性分析，对不同对象的风速序列进行相关系数的计算，进而选择变化模式较相近的迁移对象。3.提出一种共享隐层的深度神经网络迁移模型，利用深度神经网络的共享隐层提取源域和目标域风速数据的共享特征信息，之后对于不同的领域建立相互独立的输出层，从而对自身风速模式变化进行更好的学习。4.提出一种考虑时间特性的深度递归神经网络迁移模型，利

5、用低层的共享深度神经网络提取源域和目标域风速数据的高级抽象特征，将不同的领域变换的特征输入到高层对应该域的递归神经网络模型中，结合了深度神经网络的特征选择能力和递归神经网络考虑时间特性的优势。将提出的两种迁移模型应用于少数据目标域的风速预测中，相比其他的方法取得了较好的效果。而这两种方法比较，考虑时间特性的后一种模型比前一种模型效果好一点。另外还从实验中得出，随着目标域的数据量逐渐增加，迁移的重要性有所下降。关键词：风速预测，迁移学习，深度神经网络，堆叠的降噪自动编码机，递归神经网络IABSTRACTOwing

6、tothedepletionofconventionalenergysourcesandthedeteriorationoftheenvironment,cleanandrenewableenergysourcesarebeingwidelyutilizedallaroundtheworld.Withtheadvantagesofnon-pollution,lowcostsandlargescale,windpowerisconsideredasoneofthemostimportantsourcesofene

7、rgy.However,asthemostimportantfactorofwindpower,windspeedisuncertainandvariable.Accuratepredictionofwindspeedisimportantfortheallocation,scheduling,maintenance,andplanningofwindenergyconversionsystems.Astosomenewly-builtwindfarmsorwindturbines,sufficienthist

8、oricaldataisnotavailableforbuildinganaccuratemodel,whilesomeolderwindfarmsorturbinesmayhavelong-termwindspeedrecords.Therefore,aquestionwhetherthepredictionmodelcanbebuiltwiththehelpofthedatafro