Clustering-based Multitasking Deep Neural Network for Solar Photovoltaics Power Generation Prediction

越来越多的光伏电池的安装导致了更多的可再生能源的发电，但也增加了能源调度的不确定性。在智能电网中，预测光伏发电量对能源管理和调度优化非常重要。然而，光伏发电量数据通常是从不同类型的客户（例如住宅、农业、工业和商业）中收集的，而客户信息通常是匿名的。这通常导致使用所有光伏发电量数据训练预测模型，使预测器通过模型内自学习学习各种模式，而不是为每种客户类型构建单独的预测器。在本文中，我们提出了一种基于聚类的多任务深度神经网络（CM-DNN）框架用于光伏发电量预测。使用K均值将数据聚类成不同的客户类型。对于每种类型，采用深度神经网络（DNN）进行训练，直到准确度不能再提高。随后，对于指定的客户类型（即目标任务），进行模型间知识转移以提高其训练准确度。在此过程中，源任务选择旨在选择最佳的任务子集（不包括目标客户），并且每个选择的源任务使用系数来确定转移至目标预测任务的DNN模型知识（权重和偏差）的数量。我们在真实的光伏发电量数据集上测试了所提出的CM-DNN，并通过将单一模型训练数据集的预测性能与聚类方法进行比较，证明了其优越性。

论文旨在解决光伏电池发电不确定性带来的能源调度问题，提出了一种基于聚类的多任务深度神经网络框架。

通过使用K-means算法将数据聚类为不同的客户类型，并为每种类型使用深度神经网络进行训练，然后进行模型之间的知识转移，以提高目标任务的训练精度。

论文在真实的光伏发电数据集上测试了提出的CM-DNN框架，并通过与单一模型的训练结果进行比较，证明了其预测性能的优越性。值得关注的是，该框架可以为不同类型的客户提供个性化的预测模型，并且在进行模型间知识转移时，使用了一种新的源任务选择方法。

在最近的相关研究中，有一些关于基于深度学习的光伏发电预测模型的研究，例如“Deep Learning-Based Short-Term Photovoltaic Power Forecasting: A Review”。