[论文解读] Transfer Learning in the Field of Renewable Energies -- A Transfer Learning Framework Providing Power Forecasts Throughout the Lifecycle of Wind Farms After Initial Connection to the Electrical Grid

Jens Schreiber|arXiv (Cornell University)|Jun 3, 2019

Domain Adaptation and Few-Shot Learning参考文献 15被引用 5

一句话总结

本文提出了一种用于风力发电预测的迁移学习框架，通过利用相似风电场和气象模型的知识，在风电场生命周期内实现准确预测，即使历史数据有限或缺失。该方法结合集成模型、多任务学习和自优化机制，动态适应预测需求，优于传统物理模型，并可在可再生能源系统中实现自动化、可扩展的部署。

ABSTRACT

In recent years, transfer learning gained particular interest in the field of vision and natural language processing. In the research field of vision, e.g., deep neural networks and transfer learning techniques achieve almost perfect classification scores within minutes. Nonetheless, these techniques are not yet widely applied in other domains. Therefore, this article identifies critical challenges and shows potential solutions for power forecasts in the field of renewable energies. It proposes a framework utilizing transfer learning techniques in wind power forecasts with limited or no historical data. On the one hand, this allows evaluating the applicability of transfer learning in the field of renewable energy. On the other hand, by developing automatic procedures, we assure that the proposed methods provide a framework that applies to domains in organic computing as well.

研究动机与目标

• 解决新装或改造风电场中因缺乏或历史发电数据有限而阻碍基于机器学习的预测有效性的挑战。
• 开发一种自动化、自优化的迁移学习框架，适用于风电场全生命周期的可再生能源预测。
• 实现对新条件（如夜间风机停机或数值天气预报模型变更）的持续适应。
• 通过创建可重用、自适应的框架，将迁移学习从视觉和自然语言处理拓展至有机计算与能源系统。
• 通过利用相似风电场和气象数据源的知识，提升预测精度，超越传统物理模型。

提出的方法

• 采用跨源广义集成（CSGE）模型，整合多个风电场的预测结果，以提升泛化能力和适应性。
• 通过空间抽象层实施多跨任务学习（MCL），学习NWP输入和风电场之间空间关系的通用表征。
• 通过在新数据上微调模型实施迁移学习，使系统能够适应新情况，如夜间停机或新天气模型。
• 结合概率预测分析与敏感性分析，预先筛选最具影响力的特征（如100米和10米高度的风速）作为模型输入。
• 采用自动配置与自我改进流程，根据性能和数据可用性重新加权模型，实现持续优化。
• 采用损失函数优化的CSGE，支持在无需完全重新训练的情况下动态重构和适应新数据与新条件。

实验结果

研究问题

• RQ1 如何有效将历史源域数据和预测模型迁移到历史数据有限或缺失的新风电场？
• RQ2 在风力发电预测中，哪些类型的历史源域数据和预测模型最适于迁移？
• RQ3 该框架如何随时间自动整合越来越多的历史数据到新风电场的模型中？
• RQ4 当新数据和条件（如夜间停机）出现时，系统如何实现自动配置与自优化？
• RQ5 结合空间与NWP抽象层的多任务学习能否实现跨多样化风电场与天气模型的稳健、可泛化预测？

主要发现

• 100米高度的风速是在所有评估地形和机器学习模型中对功率预测最具影响力的特征。
• 10米高度的风速影响力排名第二，空气压力以及100米高度风速的变异性也表现出显著影响。
• CSGE方法在分类与回归任务中均达到最先进性能，优于真实世界数据集上的标准集成方法。
• 该框架通过重新训练和微调集成模型，实现对新条件（如夜间风机停机）的自动适应。
• 结合空间与NWP抽象层的多跨任务学习，可实现在不同天气模型与风电场位置之间的知识迁移。
• 初步结果证实，基于迁移学习的预测方法在预测精度上显著优于传统物理模型，即使在数据极少的情况下亦然。