An improved residual-based convolutional neural network for very short-term wind power forecasting
☆本期分享導讀：
這期我們一起繼續學習一篇風力發電功率預測的文章。本文和20210801閱讀的Energy風速預測的文章為姐妹篇。本文采用的是改進的殘差卷積神經網路方法，和前面閱讀文章的方法差不多，大家一定要仔細學習。文獻來自2021年最新的Energy Conversion and Management（IF=9。709），作者是土耳其的Ceyhun Yildiz和Hakan Acikgoz等。
作者水平有限，理解上可能會產生偏差，請原作者和讀者們諒解，分享文獻的目標是大家共同學習共同進步。
1 論文摘要：
An accurate forecast of wind power is very important in terms of economic dispatch and the operation of power systems。 However， effectively mitigating the risks arising from wind power in power system operations greatly reduces the risk of wind energy producers， exposing them to potential additional costs。 Being aware of this challenge， we introduced a two-step novel deep learning method for wind power forecasting。 The first stage includes processes of Variational Mode Decomposition （VMD）-based feature extraction and converting these features into images。 In the second stage， an improved residual-based deep Convolutional Neural Network （CNN） was utilized to forecast wind power。 Meteorological wind speed， wind direction， and wind power data， which are directly related to each other， were employed as a dataset。 The combined dataset was procured from a wind farm in Turkey between January 1 and December 31， 2018。 The results of the proposed method were compared with the results obtained from the state-of-the-art deep learning architectures namely SqueezeNet， GoogLeNet， ResNet-18， AlexNet， and VGG-16 as well as physical model based on available meteorological forecast data。 The proposed method outperformed the other architectures and demonstrated promising results for very short-term wind power forecasting due to its competitive performance。
論文亮點：
l 提出了一種新的基於殘差的卷積神經網路預測模型。
l 變分模式分解對網路的預測效能有重要影響。
l 該網路具有較低的複雜度和計算量。
l 該模型具有良好的短期風電預測效能。
l 該方法的有效性與現有的預訓練網路進行了比較。。
（本文同樣使用變分模態分解VMD方法來進行訊號分解重組，然後使用卷積神經網路進行深度學習的方法，不同的地方有采用了風速、風向等多元資料，而上篇只使用了風速資料，另外本文使用了殘差網路結構ResNet，而上篇使用的是DenseNet。）
2 論文內容
論文演算法：首先功率訊號經過VMD分解5次，和功率訊號一起，然後加上風速和風向，共8個訊號，轉化成HSV影象，然後重構影象，輸入到卷積神經網路，進行訓練，採用的是ResNet結構。網路結構由17層組成，其中13層為卷積層，1層為最大池層，2層為全連線層，1層為迴歸層。採用SGD最佳化方法。
資料集：文章中的資料使用來自土耳其東南部風電場未開源的風電資料。該資料集是在 2018年的測量資料，每隔1小時取樣一次。共有 8，760 個數據樣本。資料包括功率、風速和風向。80%訓練，20%測試，訓練集的20%做交叉驗證。
評價指標：評價方法還是老4樣：MAE、RMSE、R、SMAPE。
結果與分析：
（1）結果分析：使用比較為AlexNet， SqueezeNet， ResNet-18， VGG-16， GoogLeNet，預測範圍分為提前 1 小時、2 小時和 3 小時。
（2）物理模型比較：和用風速和風向物理模型合成的功率預測進行比較。
（3）效能改進分析：分析提出方法跟其他幾種方法在評價指標上的改進率。
3 總結
本文提出了一種使用卷積神經網路的風力發電功率預測方法，透過VMD把一維時序訊號重構成2D影象訊號，使用ResNet結構進行訓練，從結果上面看，還是不錯的。把一維訊號轉換二維，用卷積神經網路來處理，也是深度學習的一個有趣的方向；另外風速預測和功率預測是不分家的，做完一個別忘了做另外一個，這樣就兩篇文章到手了。有興趣的小夥伴們可以學習借鑑。
（論文資源版權歸出版社和原作者所有，本閱讀筆記僅做公益活動，不用於任何商業行為）
