Deep learning based ensemble approach for probabilistic wind power forecasting

با توجه به مزایای اقتصادی و محیط زیست، انرژی باد در حال تبدیل شدن به یکی از مکمل های امیدوار کننده برای تولید برق است. با این حال، عدم اطمینان در داده های انرژی باد، به طور کلی غیر قابل قبول است. بنابراین، داده ها باید توسط اپراتورها به طور دقیق ارزیابی شوند تا به طور موثر خطرات نیروی باد در عملیات سیستم قدرت را کاهش دهند. شناخت این چالش، روشی گروهی مبتنی بر یادگیری عمیق برای پیش بینی احتمالات انرژی باد ارائه شده است. در این روش، یک روش پیش بینی پیشرفته نقطه در ابتدا بر اساس تبدیل موجک و شبکه عصبی کانولوشه ای پیشنهاد شده است. تبدیل موجک برای تجزیه داده های انرژی باد خام به فرکانس های مختلف استفاده می شود. ویژگی های غیر خطی در هر فرکانس که برای بهبود دقت پیش بینی استفاده می شود بعدها توسط شبکه عصبی کانولوشن مورد استفاده قرار می گیرد. عدم اطمینان در داده های انرژی باد، به عنوان مثال، عدم تعریف مدل و نویز داده، پس از آن به طور جداگانه شناسایی می شوند. در نتیجه، توزیع احتمالی داده های انرژی باد می تواند از نظر آماری صورت پذیرد. رویکرد گروهی پیشنهادی به طور گسترده مورد ارزیابی قرار گرفته است، با استفاده از داده های مزرعه باد واقعی از چین، و نتایج نشان می دهد که عدم اطمینان در داده های انرژی باد می تواند با استفاده از رویکرد پیشنهادی آموخته شود و عملکرد رقابتی به دست آید.