文献类型：期刊文章

作　　者：陈金富[1] 朱乔木[1] 石东源[1] 李银红[1] ZHU Lin[2] 段献忠[1] LIU Yilu[2]

CHEN Jinfu;ZHU Qiaomu;SHI Dongyuan;LI Yinhong;ZHU Lin;DUAN Xianzhong;LIU Yilu(State Key Laboratory of Advanced Electromagnetic Engineering and Technology(School of Electrical and Electronic Engineering,Huazhong University of Science and Technology),Wuhan430074,Hubei Province,China;Department of Electrical Engineering and Computer Science,University of Tennessee,Knoxville,TN37996,U.S.A.)

机构地区：[1]强电磁工程与新技术国家重点实验室(华中科技大学电气与电子工程学院),湖北省武汉市430074 [2]田纳西大学电气工程与计算机科学学院,田纳西州诺克斯维尔37996

出　　处：《中国电机工程学报》

基　　金：国家重点研发计划项目(2016YFB0900101);国家建设高水平大学公派研究生项目(201706160087)~~

年　　份：2019

卷　　号：39

期　　号：7

起止页码：2093-2106

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、ZMATH、核心刊

摘　　要：兼顾时、空相关性的风速预测意义重大也极具挑战。围绕多位置、多步风速预测问题展开研究,从风速时空序列的本质出发,提出了一种"先提取空间特征,后捕捉时间依赖"的两阶段建模思路。构造了一个利用时空相关性的风速预测模型——深层时空网络(deep spatio-temporal network,DSTN)。该模型由卷积神经网络(convolutional neural network, CNN)和双向门控循环单元(bidirectional gated recurrent unit,BGRU)共同构成,并通过"端对端"的方式进行训练,具备"序列到序列"的预测能力。首先,DSTN利用底层的CNN从空间风速矩阵中提取空间特征。然后,利用BGRU捕捉来自连续时间断面的空间特征之间的时间依赖关系,进而实现对时空序列的预测。此外,还定义了针对多位置风速预测的误差指标,用以描述预测模型的总体平均性能和个体误差控制能力。以美国加利福尼亚州某风电场实测数据为算例进行分析,结果表明,DSTN能够有效利用时空相关性进行风速预测,其预测性能优于多种现有预测模型。

关 键 词：深度学习  卷积神经网络 双向门控循环单元  时空相关性  多位置、多步风速预测  “端到端”学习  “序列到序列”预测  

分 类 号：TM614] TP18]