（文、图/黄陈英）10月28日，曼苏尔汗博士为电子信息与人工智能学院师生做了两次学术报告，报告题目分别为“Wind Power Forecasting for Large Scale Wind Turbine Data Using Deep Learning with TensorFlow Framework and Principal Component Analysis”（基于TensorFlow框架和主成分分析的深度学习大规模风力发电机数据的风力功率预测）和“Clustering Based Probabilistic Decision Tree to Forecast Wind Power on Large Scales”（基于聚类的概率决策树大规模风电功率预测）。
由于疫情的原因，报告均通过腾讯会议在线进行，电子信息与人工智能学院部分师生在线参加了这两次学术报告。参加学术报告会的还有部分西南石油大学研究生和对此报告内容感兴趣的国内外学者。
曼苏尔汗（MANSOOR KHAN）博士硕士毕业于北京航空航天大学电力电子与动力传动专业，博士毕业于四川大学电气工程及自动化专业。现任乐山师范学院电子信息与人工智能学院副教授。他的研究方向包括电力预测、可再生能源和人工智能电力预测。
曼苏尔汗的这两次讲座内容均关于风能预测。风能预测在可再生能源生产中起着至关重要的作用。由于风的动态和不确定性，很难捕捉风的实际特征以进行准确的预测。导致训练样本种类繁多的风的不均匀和不稳定性对预测准确性有主要影响。为此，需要一种准确的预测方法。
曼苏尔汗的第一个讲座名称是基于TensorFlow框架和主成分分析的深度学习大规模风力发电机数据的风力功率预测。他提出了一种新的主成分分析(PCA)和深度学习的混合方法，以揭示风数据中的隐藏模式并预测准确的风能。PCA应用于风数据，从风数据中提取隐藏特征并识别有意义的信息。它还用于消除值之间的高度相关性。此外，使用具有TensorFlow框架的优化深度学习算法从重要特征中准确预测风能。最后，利用学习错误率、优化器函数、dropout层、激活和损失函数对深度学习算法进行微调。该算法使用神经网络和智能算法来预测风信号。与流行的最先进算法进行了比较，结果表明所提出的研究产生了更好的预测结果。
曼苏尔汗的第二个讲座名称是基于聚类的概率决策树大规模风电功率预测。他提出了一种新的基于聚类的概率决策树混合方法来有效预测风电功率。对收集的数据进行噪声信息筛选，并选择主要有助于准确预测的变量。然后，使用均值和标准差对风数据进行归一化，以提取每个特征的播放级别字段。基于数据行为的相似性，采用K-means聚类算法将样本分为包含历史风数据的不同组。此外，提出了朴素贝叶斯(NB)树来提取集群中每个特征的概率。NB树是C4.5和NB方法的混合模型，成功应用于从国家可再生能源实验室(NREL)收集的三个大型真实世界风数据集（含每小时、每月、每年的数据）。预测准确性表明，所提出的方法可以从数小时到数年的数据中预测准确的风能。将所提出的方法与最流行的最先进技术进行了综合比较，表明该方法提供了更准确的预测结果。
电子信息与人工智能学院部分老师参加了这两次讲座，会后大家就这两种算法孰优孰劣进行了讨论。曼苏尔汗表示这两种算法是不同的，由于侧重点不同，这两种方法在风力功率预测方面都比较好。
