13、Probabilistic Short-term Wind Power Forecasting Based on Deep Neural Networks

概率短期风电功率预测基于深度神经网络（清华）

除了传统的预测方法ods，概率预测被认为是最佳的预测铸造解决方案因为它提供了丰富的宝贵不确定性
风电信息。

本文以一种新颖的方法为基础关于确定性短路的深度神经网络（DNN）提出了风电场风电预测

基于概率预测关于条件错误分析也已实施。  有利由于精心设计，实现了概率预测的结果
基于聚类分析设定的条件划分。

中国东北的几个风电场。

传统上，风力发电的结果预测是以确定性预测的形式（即点预测）

未来的风力发电是具有自己的概率密度函数的随机变量（PDF）和点预测几乎总是错过不确定性这个随机变量的信息。

 

基于分析的概率风电功率预测风电预测误差（WPFE）被视为一个克服其固有缺点的有效方法点预测

 

本文采用一种新颖的深度神经网络（DNN）模型由卷积神经网络（CNN）和LSTM（长短期记忆）递归神经网络
提出了确定性风电预测的（RNN）

卷积层可以用作重要的。在模型底部构建块，转换包含风速和风电时间的原始输入数据一系列可以被高层使用的特征图

一般来说，使用聚类分析进行划分。优于任意分割数据

 

 

本文提出了一种新的条件集划分方法基于聚类分析。

卷积层可以用作重要的在模型底部的构建块，转换包含风速和风速时间的原始输入数据系列成功能图，可供更高层使用

Pt -k表示在时间t-k之前的历史风力，k表示预测的范围，W t表示来自的天气数据NWP在时间t附近

两个步骤详细描述如下。
1）通过卷积层提取信息（步骤
2）：高维输入数据通过a卷积层以形成特征映射天气数据和历史风电数据。

卷积层识别隐藏的时间依赖性Pm-k和W t的信息。内部特征这些时间序列可以被提取出来并且具有维数
数据减少了

经过卷积之后：

重新映射函数

g比f简单

具有一个卷积层和两个LSTM RNN层。

堆叠LSTM层和线性输出的预测神经元

 

 

 

（2）将处理后的数据输入LSTM能够捕获时间依赖性的层（Xp-k，XW）的特征。

（3）误差分析和概率预测

PF表示分段预测点的结果，ε是随机误差变量意味着风的不确定性信息功率点预测。·

误差分析部分数学很高深，没有细看

确定性风电预报

For a certain time t, predicted wind speed values within the 8-hour time range around t and
historical wind power values of 12 to 4 hours before t are used for the convolutional layer.

（1）卷积层：卷积层有32个滤波器（大小＝4，具有Relu激活函数），有效对输入序列进行卷积运算。我们在4通道序列中准备输入数据，从而每次T输入序列的长度为16。这个详细的卷积运算过程显示在Fig.1。

2）LSTM层：第一个LSTM层占13*128序列并输出13乘64序列，以及第二个LSTM层采用13×64序列，产生1乘32向量。

3）全连接：具有线性的全连接神经元激活作为模型的输出层添加到提供预测的风功率值。