机构名称：
¥ 1.0
摘要 - 太阳能发电的预测是一项挑战任务，因为它依赖于表现出空间和时间变化的气候特征。由于数据分布的变化，预测模型的性能可能会在不同的位置各不相同，从而导致一个模型在一个区域中效果很好，但在其他区域则不能。此外，由于全球变暖的结果，天气模式的改变是明显的加速。这种现象引入了随着时间的流逝，即使在同一地理区域内，现有模型的功效也会降低。在本文中，提出了一个域自适应深度学习框架，以使用可以解决上述挑战的天气特征来估算太阳能发电。以监督的方式训练了一个已知位置数据集的馈电深度卷积网络模型，并用于预测以后未知位置的太阳能。这种自适应数据驱动的方法在计算速度，存储效率及其在最先进的非自适应方法失败的情况下改善结果的能力表现出显着的优势。我们的方法已显示出10的改进。47％，7。 44％，5。 分别为加利福尼亚州（CA），佛罗里达州（FL）和纽约（纽约）（纽约）的最佳性能非自适应方法相比，太阳能预测的准确性为11％。 索引术语 - 表现力，深度学习，域适应性，可再生能源47％，7。44％，5。分别为加利福尼亚州（CA），佛罗里达州（FL）和纽约（纽约）（纽约）的最佳性能非自适应方法相比，太阳能预测的准确性为11％。 索引术语 - 表现力，深度学习，域适应性，可再生能源分别为加利福尼亚州（CA），佛罗里达州（FL）和纽约（纽约）（纽约）的最佳性能非自适应方法相比，太阳能预测的准确性为11％。索引术语 - 表现力，深度学习，域适应性，可再生能源
位置不可源性的无源域自适应学习来预测太阳能发电
主要关键词
相关文件推荐
