A Novel Correlation-optimized Deep Learning Method for Wind Speed Forecast

要約

風力発電の設置率の増加は、世界の電力システムに大きな課題をもたらしています。
電力システムの信頼性の高い動作を保証するには、風速と風力タービンの出力を正確に予測する必要があります。
現在、風速予測へのディープラーニングの適用が進んでいます。
それにもかかわらず、最近の深層学習手法は、モデルの解釈可能性とハードウェアの制限により、実用的なアプリケーションには依然として問題を抱えています。
この目的のために、この論文では新しい深い知識ベースの学習方法を提案します。
提案された方法は、事前トレーニング方法とオートエンコーダー構造をハイブリッド化して、深い知識ベースの学習フレームワークのデータ表現とモデリングを改善します。
知識と対応する吸収体を形成するために、元のデータは相関関係に基づく最適化モデルによって前処理され、シーケンスツーシーケンス (Seq2Seq) モデルによって吸収される多層ネットワーク (知識) が構築されます。
具体的には、新しい認知記憶ユニット (CMU) は、従来の深層学習フレームワークを強化するように設計されています。
最後に、中国の遼寧省の風力発電所での 3 つの風予測ケースによって、提案手法の有効性が検証されます。
実験結果は、風速予測のアプリケーションにおいて、提案された方法が従来の LSTM 方法および LSTM/GRU ベースの Seq2Seq 方法と比較して安定性とトレーニング効率が向上することを示しています。

要約(オリジナル)

The increasing installation rate of wind power poses great challenges to the global power system. In order to ensure the reliable operation of the power system, it is necessary to accurately forecast the wind speed and power of the wind turbines. At present, deep learning is progressively applied to the wind speed prediction. Nevertheless, the recent deep learning methods still reflect the embarrassment for practical applications due to model interpretability and hardware limitation. To this end, a novel deep knowledge-based learning method is proposed in this paper. The proposed method hybridizes pre-training method and auto-encoder structure to improve data representation and modeling of the deep knowledge-based learning framework. In order to form knowledge and corresponding absorbers, the original data is preprocessed by an optimization model based on correlation to construct multi-layer networks (knowledge) which are absorbed by sequence to sequence (Seq2Seq) models. Specifically, new cognition and memory units (CMU) are designed to reinforce traditional deep learning framework. Finally, the effectiveness of the proposed method is verified by three wind prediction cases from a wind farm in Liaoning, China. Experimental results show that the proposed method increases the stability and training efficiency compared to the traditional LSTM method and LSTM/GRU-based Seq2Seq method for applications of wind speed forecasting.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google