关键词:
风能发电功率预测
多尺度信息
跨维度—时间依赖
多任务学习
摘要:
为提高短期风能发电功率预测的准确性,提出一种硬参数共享的多任务学习模型,分为参数共享层和任务指定层。在参数共享层中,一方面,由于时序数据中不仅有时间上的依赖,而且有跨维度的依赖,有助于提升预测精度,因此提出跨维度—时间依赖混合编码模块(CD-TDMEM);另一方面,鉴于不同尺度的信息对预测未来结果所起到的不同作用,针对多层次的高低频分量分别进行编码,构建多尺度信息编码模块(MSIEM)。在任务指定层中,对于每个子任务,首先对多尺度模块的编码信息和跨维度—时间依赖混合编码信息进行融合,经过多层解码器解码,最终使用Transformer生成式预测模型的一步解码得到每个子任务的预测输出。实验结果表明,对于短期风能发电功率预测任务,相比其他模型,该模型在传统的单任务学习上MSE分别降低了13.97%、69.78%、75.36%、2.30%、7.18%,MAE分别降低了7.33%、53.82%、54.29%、-2.07%、4.32%。而利用多任务学习机制之后,相比单任务学习,MSE进一步降低了1.94%,MAE进一步降低了7.00%,表明多任务学习的预测效果更好。另外,相比其他几个多任务学习模型,MSE分别降低了9.97%、8.27%、3.34%,MAE分别降低了16.43%、10.74%、7.96%。消融实验也证明了各模块的有效性。