近日，我校信息工程学院和江苏船舶节能减排工程技术开发中心的科技论文“Wind Speed Forecasting Using Multi-Site Collaborative Deep Learning for Complex Terrain Application in Valleys”被国际能源顶级期刊《Renewable Energy》录用（中科院一区Top，影响因子8.001）。该论文成果是近年来信息工程学院、江苏船舶节能减排工程技术开发中心科研团队联合四川省气象服务中心、中国三峡建工集团和国防大学等单位学者多方合作的结晶风电场短期风速预测研究，我校为第一署名单位风电场短期风速预测研究，信息工程学院乔大雷、张娟两位博士分别为第一和第五作者，四川省气象服务中心吴顺工程师为通信作者和共同一作。
众所周知，可靠的超短期风速预报对于风电消纳和调度至关重要，是促进碳中和的有效途径。风电场通常位于地形复杂、风资源丰富的地方，传统的数值天气预报（NWP）和统计类方法已经不能满足需求。该项研究旨在通过深度学习方法解决这一难题，并提出了一种基于多站点协作深度学习（MS-CDL）的方法，总体框架如图1所示。在提出的风速预测模型中，采用了最先进的时空挖掘算法和多任务学习的框架，利用协作学习和由邻近关系组成的多个站点之间的知识共享来挖掘风速数据中的深层时空特征。在真实的复杂地形场景中进行单步超前和多步超前的风速预测实验，结果表明所提出的模型只需要少量的计算资源和成本就能取得优异的预测效果。针对2018年四个季节数据集上的超前一步预测（10-min），MS-CDL模型的MAE分别比单站点模型CNN、LSTM和CNN-LSTM下降16.5%、11.0%和7.5%；各自的RMSE下降幅度则分别为19.3%、13.1%和7.8%。
图1 MS-CDL总体框架图
研究过程受到金沙江下游梯级水电站气象预报关键技术研究与系统建设项目（JG/20015B）、江苏省高校自然科学基金重大项目（20KJA520009）和江苏船舶节能减排工程技术开发中心等项目的资助，该成果已在国家某重大水电工程建设中验证实施，目前该团队正在将所提模型应用于复杂水域、港口等地形下的多站点风速预测。
发表评论