本技术方案涉及风电功率预测领域,提出了一种结合元学习和内容匹配的时空风电功率预测方法。该方法首先收集来自多个源域任务的数据集,并确定目标域任务。接着,通过构建模型,利用元学习策略和内容匹配技术,实现对风电功率的高效预测。
背景技术
风电场的风电功率预测可以有效缓解电网的调峰压力,实现电力系统的合理调度。由于风能自身的随机性和不确定性,为风电功率的有效预测带来了巨大挑战。特别是对于一些新建风电场,由于缺少有效的历史数据,使得准确预估未来时间段的风电功率更加棘手。
近几年,深度学习技术由于其强大的非线性数据处理能力以及可以提取隐含特征的能力,在风电功率预测领域被广泛应用,但是模型训练往往基于大量的数据样本,在面对小样本数据时模型无法实现有效训练,使得预测效果差。迁移学习可以解决小样本问题,具体是先使用源域数据预训练模型,然后使用目标域数据对预训练模型进行微调,通常是基于源域和目标域数据具有一定相似性的前提,然而,不同数据集会存在不同的数据分布,迁移学习在源域和目标域数据分布不同的情况下,从源域学习到的知识可能无法直接应用于目标域而出现负迁移,导致模型的泛化能力较差,在目标域上不能达到预期的预测效果。而元学习也可以解决小样本问题,通过训练让模型拥有学习的能力,使模型在源域和目标域数据分布不同的情况下也能很快适应目标域数据,提升模型在新任务上的泛化能力。
实现思路