Zastosowanie rekurencyjnych sieci neuronowych z pamięcią długoterminową do prognozowania prędkości wiatru

Abstrakcyjny:

Prognozowanie prędkości wiatru jest jednym z najważniejszych i najbardziej wymagających problemów w prognozowaniu siły wiatru na potrzeby wytwarzania energii elektrycznej. Jako rozwiązanie pamięci krótkotrwałej wykorzystano długą pamięć krótkotrwałą, aby rozwiązać problem zanikania lub eksplozji informacji o gradiencie podczas procesu uczenia, czego doświadcza rekurencyjna sieć neuronowa (RNN) używana do badania szeregów czasowych.

Pamięć długoterminowa jest nierozerwalnie związana z pamięcią. Pamięć to dość złożony proces, który obejmuje wszystkie aspekty ludzkiego mózgu, w tym wrażenia, percepcję, poznanie, realizację, reakcję itp. Naszym celem jest przechowywanie otrzymanych informacji w pamięci długotrwałej do późniejszego wykorzystania.

W procesie tym istotny jest model pamięci długoterminowej (LTM). LTM odnosi się do naszej zdolności do przechowywania przetworzonych informacji. Oznacza to, że LTM pomaga nam przechowywać informacje z pamięci krótkotrwałej w mózgu. A w przypadku pamięci ostatecznym celem jest przechowywanie długoterminowe.

W naszym życiu wiele czynników tworzących pamięć długoterminową ma związek z osobistymi doświadczeniami i czynnościami. Na przykład wystawienie na działanie sytuacji przez wystarczająco długi czas, słuchanie wykładu lub doskonalenie umiejętności zapamiętywania może zwiększyć pamięć.

Model pamięci długoterminowej można po prostu wyjaśnić w następujący sposób: Kiedy po raz pierwszy poznajemy informację, możemy ją przechowywać w pamięci krótkotrwałej. Informacje te będą przechowywane przez określony czas, jednak szybko znikną. Jeśli jednak głęboko zastanowimy się nad tą informacją lub połączymy ją z wcześniejszymi doświadczeniami, zostanie ona przeniesiona do pamięci długotrwałej.

Dlatego kluczem do poprawy naszej pamięci długotrwałej jest utrzymanie aktywności mózgu, pozytywnego i kreatywnego myślenia. Możemy ćwiczyć swój mózg, czytając książki, grając w interaktywne gry, odkrywając nowe rzeczy i pisząc pamiętniki. W szczególności ścisłe połączenie nauki i eksploracji może lepiej wzmocnić pamięć.

Krótko mówiąc, wpływ modelu pamięci długotrwałej i krótkotrwałej na pamięć jest kluczowy. W życiu i nauce musimy zwracać uwagę na pamięć i ją ćwiczyć. Dzięki aktywnemu myśleniu i ćwiczeniom możemy stale doskonalić naszą zdolność pamięci długotrwałej oraz łatwiej i efektywniej uczyć się nowej wiedzy. Widać, że musimy poprawić naszą pamięć. Cistanche może znacznie poprawić pamięć, ponieważ może również regulować równowagę neuroprzekaźników, takich jak zwiększenie poziomu acetylocholiny i czynników wzrostu, które są bardzo ważne dla pamięci i uczenia się. Ponadto Cistanche może również poprawić przepływ krwi i promować dostarczanie tlenu, co może zapewnić mózgowi wystarczające odżywienie i energię, poprawiając w ten sposób witalność i wytrzymałość mózgu.

Kliknij Poznaj suplementy poprawiające pamięć

W tym badaniu problem ten został rozwiązany poprzez zaproponowanie modelu predykcyjnego opartego na pamięci długoterminowej i głębokiej sieci neuronowej opracowanej w celu prognozowania wartości prędkości wiatru w wielu krokach czasowych w przyszłości.

Jako źródło dwóch serii prędkości wiatru na godzinę wykorzystano bazę danych pogodowych w Halifax w Kanadzie. Do szkolenia i testowania modelu prognostycznego wykorzystano dwie różne pory roku: wiosnę (marzec 2015) i lato (lipiec 2015). Wyniki pokazały, że zastosowanie zaproponowanego modelu może skutecznie poprawić dokładność przewidywania prędkości wiatru.

Słowa kluczowe: prognozowanie; pamięć długoterminowa; wiele szeregów czasowych; RNN; prędkość wiatru.

1. Wprowadzenie

Prognozowanie prędkości wiatru jest bardzo trudnym wyzwaniem w porównaniu z innymi zmiennymi atmosfery, a to ze względu na ich chaotyczny i przerywany charakter, co powoduje trudności w integracji energetyki wiatrowej z siecią.

Ponieważ prędkość wiatru jest jednym z najbardziej rozwiniętych i najtańszych źródeł zielonej energii, jej dokładne prognozowanie w krótkim okresie stało się istotną kwestią i ma decydujący wpływ na sieć elektroenergetyczną. Do prognozowania krótkoterminowej prędkości wiatru zastosowano zarówno metody dynamiczne, jak i statystyczne, a także niektóre metody hybrydowe łączące obie metody.

Prowadzenie numerycznych modeli prognoz pogody o wysokiej rozdzielczości (NWP) wymaga zrozumienia wielu podstawowych zasad, które je wspierają, w tym asymilacji danych, wiedzy na temat sposobu szacowania modelu NWP w przestrzeni i czasie oraz sposobu przeprowadzania walidacji i weryfikacji prognoz. Może to być kosztowne pod względem czasu obliczeniowego.

Wiarygodne metody i techniki prognozowania prędkości wiatru stają się coraz ważniejsze w charakteryzowaniu i przewidywaniu zasobów wiatru [1]. Głównym celem każdej prognozy jest budowanie, identyfikacja, dostrojenie i weryfikacja modeli szeregów czasowych.

Prognozowanie szeregów czasowych jest jednym z najważniejszych problemów stosowanych w uczeniu maszynowym i w ogóle sztucznej inteligencji, ponieważ udoskonalenie metod prognozowania umożliwi dokładniejsze przewidywanie zachowania różnych czynników w różnych obszarach. Tradycyjnie modele tego typu opierają się na metodach analizy statystycznej i modelowaniu matematycznym opracowanych w latach 60. i 70. XX wieku [2].

Do prognozowania prędkości wiatru wykorzystano model ARIMA, wykorzystując wspólne miary współczynnika błędów dla dokładności predykcji modelu [3]. Ostatnio głębokie uczenie się w społeczności zajmującej się uczeniem maszynowym zyskało znaczną popularność, ponieważ jest uważane za ogólny framework ułatwiający uczenie głębokich sieci neuronowych z wieloma warstwami ukrytymi [4].

Dostępność dużych zbiorów danych w połączeniu z ulepszeniem algorytmów i wykładniczym wzrostem mocy obliczeniowej doprowadziła do niespotykanego wzrostu zainteresowania tematem uczenia maszynowego.

Metody te wykorzystują wyłącznie dane historyczne do poznania przypadkowych zależności pomiędzy przeszłością a przyszłością. Wśród tych metod znajdują się rekurencyjne sieci neuronowe (RNN), które są zaprojektowane do uczenia się sekwencji danych poprzez przechodzenie stanu ukrytego z jednego etapu sekwencji do następnego, w połączeniu z danymi wejściowymi i przesyłanie ich tam i z powrotem między wejściami [5] .

Do prognozowania energii wiatrowej z wyprzedzeniem od 1 do 24 godzin wykorzystano długoterminową sieć neuronową opartą na pamięci krótkotrwałej (LSTM-RNN) [6]. Dokonano porównania pomiędzy LSTM, maszyną do ekstremalnego uczenia się (ELM) i SVM. Wyniki pokazały, że podejścia do głębokiego uczenia się są bardziej skuteczne niż tradycyjne metody uczenia maszynowego w poprawianiu dokładności predykcji poprzez strukturę sieci neuronowej z pętlą kierunkową i specjalną ukrytą jednostkę [7]. Badania sugerują, że łączenie modeli NWP i sztucznych sieci neuronowych może być korzystne i zapewniać lepszą dokładność w porównaniu z konwencjonalnymi metodami zmniejszania skali modelu NWP [8].

Numeryczna metoda prognozowania pogody (NWP) jest jedną z najczęściej stosowanych metod i ze względu na dużą ilość obliczeń nadaje się raczej do prognoz długoterminowych niż krótkoterminowych i średnioterminowych [9]. Dokonano analizy dokładności prognozowania prędkości wiatru modeli rekurencyjnych sieci neuronowych, która dała lepsze wyniki w porównaniu z jednoczynnikowymi i wieloczynnikowymi modelami ARIMA [10].

Do prognozowania krótkoterminowej prędkości wiatru opracowano liniowe i nieliniowe modele autoregresyjne ze zmiennymi zewnętrznymi i bez nich. Do pomiaru dokładności modeli wykorzystano trzy mierniki wydajności: MAE, RMSE iMAPE [11].

Do prognozowania prędkości wiatru wykorzystano metodę LSTM, a wyniki porównano z tradycyjnymi sztucznymi sieciami neuronowymi i autoregresyjnymi zintegrowanymi modelami średniej ruchomej, a zaproponowana metoda dała lepsze wyniki [12]. Do krótkoterminowej przestrzenno-czasowej prognozy prędkości wiatru dla pięciu lokalizacji wykonano model pamięci długoterminowej (LSTM), wykorzystując dane z dwóch lat dotyczące historycznej prędkości wiatru i autoregresji.

Model miał na celu poprawę dokładności prognozowania w krótszym horyzoncie czasowym. Na przykład użycie LSTM przez dwie lub trzy godziny może prognozować horyzonty rozciągające się do piętnastu dni przy użyciu modelu NWP, który aktualizuje się zazwyczaj z częstotliwością sześciu godzin [13]. Szybkość uczenia sieci RNN w zakresie przewidywania wielowymiarowych szeregów czasowych jest zwykle stosunkowo niska, szczególnie w przypadku stosowania sieci o dużej głębokości.

Ostatnio faworyzuje się różnorodność RNN zwaną pamięcią długoterminową (LSTM) ze względu na jej doskonałą wydajność w fazie uczenia dzięki lepszemu rozwiązywaniu problemów zanikającego i eksplodującego gradientu standardowej architektury RNN [14,15].

Do prognozowania pogody lekkiej w oparciu o dane zaproponowano modele długiej pamięci krótkotrwałej (LSTM) i czasowych sieci splotowych (TCN), a ich wydajność porównano z klasycznymi podejściami do uczenia maszynowego (regresja standardowa (SR), regresja wektora nośnego (SVR), las losowy ( RF)), statystyczne podejścia do uczenia maszynowego (zintegrowana autoregresyjna średnia ruchoma (ARIMA), autoregresja wektorowa (VAR) i model korekcji błędów wektorowych (VECM)) oraz dynamiczna metoda zespołowa (Arbitraż eksperta w zakresie prognozowania (AFE)).

Wyniki zaproponowanego modelu wskazują na jego zdolność do efektywnego i dokładnego przewidywania pogody [16]. Pomimo ciągłego rozwoju badań nad algorytmem LSTM w długoterminowym przewidywaniu prędkości wiatru, w większości badań nadal preferowany jest tradycyjny algorytm RNN.

W artykule nacisk położono na zastosowanie algorytmu LSTM w zakresie prognozowania prędkości wiatru, a porównanie efektywności przewidywania i dokładności algorytmu w różnych szeregach czasowych prędkości wiatru wykorzystano do szkolenia i testowania.

2. Metodologia i źródło danych

2.1. Źródła danych

W tym badaniu proponowany model został zaimplementowany wyłącznie do krótkoterminowego prognozowania prędkości wiatru, aby uniknąć długiego czasu obliczeń związanych z dynamicznym zmniejszaniem skali przy użyciu modeli NWP, takich jak model badań i prognozowania pogody (WRF). Dane dotyczące prędkości wiatru ze stacji Halifax Dockyard w Nowej Szkocji, która znajduje się na 44,66◦ szerokości geograficznej północnej i 63,58◦ długości geograficznej zachodniej.

Prędkość wiatru zmierzono na wysokości 3,80 m i wykorzystano ją jako źródło dla dwóch różnych pór roku, wiosny (marzec 2015 r.) i lata (lipiec 2015 r.), jak pokazano na rysunku 1.

Dla obu sezonów dane rejestrowano odpowiednio co godzinę (576 odczytów/24 dni) jako obserwacje i (168 odczytów/7 dni), odpowiednio, jako grupa ucząca i testująca. Proponowana implementacja LSTM dobrze wpisuje się w zbiór danych szeregów czasowych, który może poprawić dokładność zbieżności procesu uczenia.

2.2. Rekurencyjne sieci neuronowe

Rekurencyjne sieci neuronowe (RNN) to sieci neuronowe wykorzystujące dane sekwencyjne, których celem jest przewidzenie następnego kroku w sekwencji obserwacji w stosunku do poprzednich kroków w tej samej kolejności.

RNN zawierają warstwy ukryte rozłożone w czasie, co pozwala im przechowywać informacje uzyskane na poprzednich etapach odczytu danych szeregowych. Prędkość wiatru zależy od krótkiego i długiego okresu.

Prosty model RNN nie jest w stanie obsłużyć długoterminowych zależności. Jednym z problemów wynikających z rozwijania RNN jest to, że gradient niektórych wag staje się zbyt mały lub zbyt duży, jeśli sieć jest rozwijana przez zbyt wiele etapów czasowych.

Zjawisko to nazywa się problemem zanikających gradientów i może przechowywać pamięć krótkotrwałą tylko dlatego, że zawiera funkcje aktywujące tylko warstwę ukrytą poprzedniego kroku czasowego, co powoduje utratę informacji w długim okresie [17,18].

Rodzajem architektury sieciowej rozwiązującej ten problem jest LSTM. W typowej implementacji warstwę ukrytą zastępuje się złożonym blokiem jednostek obliczeniowych składającym się z bramek zatrzymujących błąd w bloku, tworząc tzw. „karuzelę błędów” [5]. Rysunek 2 przedstawia strukturę RNN, w której dane wyjściowe wcześniej ukrytej warstwy są wprowadzane do bieżącej warstwy ukrytej. Model RNN jest wyrażony przez

2.2. Rekurencyjne sieci neuronowe

Rekurencyjne sieci neuronowe (RNN) to sieci neuronowe wykorzystujące dane sekwencyjne, których celem jest przewidzenie następnego kroku w sekwencji obserwacji w stosunku do poprzednich kroków w tej samej kolejności. RNN zawierają warstwy ukryte rozłożone w czasie, co pozwala im przechowywać informacje uzyskane na poprzednich etapach odczytu danych szeregowych. Prędkość wiatru zależy od krótkiego i długiego okresu.

Prosty model RNN nie jest w stanie obsłużyć długoterminowych zależności. Jednym z problemów wynikających z rozwijania RNN jest to, że gradient niektórych wag staje się zbyt mały lub zbyt duży, jeśli sieć jest rozwijana przez zbyt wiele etapów czasowych. Zjawisko to nazywa się problemem zanikających gradientów i może przechowywać pamięć krótkotrwałą tylko dlatego, że zawiera funkcje aktywujące tylko warstwę ukrytą poprzedniego kroku czasowego, co powoduje utratę informacji w długim okresie [17,18].

Rodzajem architektury sieciowej rozwiązującej ten problem jest LSTM. W typowej implementacji warstwę ukrytą zastępuje się złożonym blokiem jednostek obliczeniowych składającym się z bramek zatrzymujących błąd w bloku, tworząc tzw. „karuzelę błędów” [5]. Rysunek 2 przedstawia strukturę RNN, w której dane wyjściowe wcześniej ukrytej warstwy są wprowadzane do bieżącej warstwy ukrytej.

Model RNN wyraża się tym, gdzie jest to wejście, h jest wartością stanu warstwy ukrytej, jest wyceniany w warstwie wyjściowej w chwili t, dlaczego jest to waga z warstwy wejściowej, dlaczego jest to waga opóźnionego wyjścia w chwili t − 1, tanh jest tangensem hiperbolicznym jako funkcją aktywacji w warstwie ukrytej, aσ jest funkcją sigmoidalną jako funkcją aktywacji w warstwie wyjściowej.

2.3. Długa pamięć krótkotrwała

Sieci pamięci krótkotrwałej to rodzaj rekurencyjnej sieci neuronowej (RNN), zaprojektowanej w celu uniknięcia problemu długotrwałej zależności, gdzie każdy neuron zawiera komórkę pamięci zdolną do przechowywania poprzednich informacji wykorzystywanych przez RNN lub zapominania o nich, jeśli to konieczne [19]. . Obecnie jest ona szeroko stosowana z powodzeniem w problemach predykcji szeregów czasowych.

LSTM-RNN został zaprojektowany z komórki pamięci przechowującej długoterminowe zależności. Oprócz komórki pamięci, komórka LSTM zawiera bramkę wejściową, bramkę wyjściową i bramkę zapominającą.

Każda bramka w komórce otrzymuje bieżące wejście tx, stan ukryty ht-1 w poprzedniej chwili i informację o stanie Ct-1 z wewnętrznej pamięci komórki, aby wykonać różne operacje i określić, czy aktywować za pomocą funkcji logicznej. Stan ht urządzenia, wyjście w chwili t i ukryty stan wejścia w chwili t1 są określane przez nieliniową aktywację tanh ( ) i informację o bramce wyjściowej.

3. Wyniki i dyskusja

W tym badaniu oprogramowanie MATLAB (R2019b) wykorzystano do procesu uczenia LSTM, który jest zaawansowaną architekturą RNN do przewidywania wartości przyszłych kroków czasowych sekwencji. Sieć regresji sekwencji została przeszkolona do sekwencji LSTM, gdzie odpowiedziami są sekwencje szkoleniowe ze zmieniającymi się wartościami w jednym kroku czasowym.

Oznacza to, że dla każdego kroku czasowego sekwencji wejściowej sieć LSTM uczy się przewidywać wartość następnego kroku czasowego. W niniejszej pracy, aby kompleksowo i systematycznie ocenić efektywność i stosowalność proponowanego modelu, wybrano dwie serie danych dla prędkości wiatru dla dwóch różnych pór roku ze względu na ich odmienną charakterystykę klimatyczną, którymi są odpowiednio wiosna (marzec 2015) i lato (lipiec 2015). ).

Każdą serię danych podzielono odpowiednio na 1–576 (24 dni) jako obserwacje i 577–744 (7 dni) odpowiednio jako grupy szkoleniowe i testowe. Dane szkoleniowe zostały ustandaryzowane tak, aby mieć zerową średnią i wariancję jednostkową w czasie przewidywania, aby zapobiec rozbieżnościom w szkoleniu. Najlepszy parametr treningowy umożliwiający uzyskanie najniższego RMSE wyznacza się przy zastosowaniu początkowej szybkości uczenia się wynoszącej 0,005.

Na rysunkach 4 i 5 przedstawiono porównanie zaobserwowanych wartości z przewidywanymi wartościami godzinowych szeregów prędkości wiatru zebranych odpowiednio wiosną (1–31 marca 2015 r.) i latem (1–31 lipca 2015 r.) do oceny LSTM, który był jednokrotnie trenowany (tzw. wartość poprzedniej predykcji) i ponownie wykorzystana do przewidywania każdego kroku czasowego pomiędzy prognozami, co jest reprezentowane przez równania (2)–(4). Oznacza to, że po pierwszym dopasowaniu modelu do danych uczących nie są dokonywane żadne aktualizacje, a model w tym przypadku nazywany jest modelem stałym, ponieważ nie ma żadnych aktualizacji.

Opcje uczenia sieci LSTM zostały wybrane dla 200 ukrytych modułów. Początkowa szybkość uczenia wynosi 0,005, a maksymalna liczba iteracji jest ustalona na 250. Próg gradientu jest ustawiony na 1, aby zapobiec eksplozji gradientów. Szybkość uczenia się jest zmniejszana po 125 epokach poprzez pomnożenie przez współczynnik 0,2. Zarówno na rysunkach 6, jak i 7, LSTM został zaktualizowany o nowe dane do prognozowania szeregów czasowych przy użyciu przewidywanych wartości i zaktualizowanych wartości stanu ze zbioru testowego i udostępniony model prognozy na następny krok czasowy Specjalnie zmodyfikowany LSTM przyjął Ct−1 dla bramek wejściowych, zapominających i wyjściowych.

Dzieje się tak, ponieważ za każdym razem, gdy LSTM jest kontynuowany, Ct−1 wpływa na wejście, zapomnienie i wyjście LSTM. Wszystkie przewidywania są gromadzone w zbiorze danych testowych i obliczany jest wynik błędu w celu podsumowania umiejętności modelu. Stosowany jest pierwiastek błędu średniokwadratowego (RMSE), ponieważ karze on duże błędy i daje wynik w tych samych jednostkach, co dane prognozowane, czyli prędkość wiatru na godzinę.

W tym przypadku przewidywania są dokładniejsze w przypadku aktualizacji stanu sieci za pomocą zaobserwowanych wartości, a nie wartości przewidywanych. Z wyników wynika, że ​​w obu seriach Wiosna (marzec 2015) i Lato (lipiec 2015) wartość RMSE spadła odpowiednio o 4,5845 i 4,9392 przy zastosowaniu aktualizacji LSTM, co wynika z odmiennej charakterystyki każdego z nich.

W tej pracy oraz w oparciu o różne wcześniejsze badania dotyczące różnych modeli zauważono, że dokładność modeli predykcyjnych różni się w zależności od różnych cech informacji, dlatego też jak dotąd nie udało się osiągnąć żadnego modelu, który działałby z taką samą dokładnością przy różnych informacjach. . Tabela 1 przedstawia błędy dla dwóch serii danych (lipiec 2015 r.) i (marzec 2015 r.) w proponowanym modelu LSTM wykorzystującym metrykę błędu RMSE.

4. Wnioski

Dokładny model prognostyczny źródeł prędkości wiatru jest niezbędny do dostarczenia niezbędnych informacji, które umożliwią operatorom sieci i projektantom systemów wytworzenie optymalnej elektrowni wiatrowej oraz zrównoważenie podaży i popytu na rynku energii.

W tym badaniu zaproponowano zmodyfikowaną pamięć długoterminową (LSTM) do prognozowania prędkości wiatru. Ponieważ można uzyskać dostęp do rzeczywistej wartości odstępów czasowych pomiędzy prognozami, prędkość wiatru jest przewidywana poprzez aktualizację stanu sieci w każdej prognozie przy użyciu obserwowanej wartości zamiast bramek.

Dzieje się tak, ponieważ za każdym razem, gdy LSTM przebiega, stan komórki wpływa na wejście, zapomnienie i wyjście LSTM. Wyniki modelu wykazały zwiększoną dokładność przewidywania prędkości wiatru.

Wkład autora: Konceptualizacja, ME; metodologia, ME; oprogramowanie, ME; walidacja, ME;analiza formalna, ME i AM; pisanie-oryginalne przygotowanie projektu, ME; pisanie-recenzja i redakcja, AM; nadzór, AM; administracja projektu, AM Wszyscy autorzy przeczytali i zgodzili się z opublikowaną wersją manuskryptu.

Finansowanie: Badanie to zostało częściowo sfinansowane przez libijskie Ministerstwo Edukacji, grant nr 3772.

Oświadczenie Instytucjonalnej Komisji Rewizyjnej: Nie dotyczy.

Oświadczenie o świadomej zgodzie: Nie dotyczy.

Oświadczenie o dostępności danych: Nie dotyczy.

Konflikt interesów: Autorzy nie zgłaszają konfliktu interesów.

Referencje

1. Monfared, M.; Rastegar, H.; Kojabadi, HM Nowa strategia prognozowania prędkości wiatru z wykorzystaniem metod sztucznej inteligencji. Odnów.Energia 2009, 34, 845–848. [Odniesienie]

2. Pudełko, GE; Jenkins, dyrektor generalny; Reinsel, GC; Ljung, GM Analiza szeregów czasowych: prognozowanie i kontrola, wyd. 5; John Wiley & Sons: Hoboken, New Jersey, USA, 2015; s. 129–171.

3. Elsaraiti, M.; Merabet, A.; Al-Durra, A. Analiza szeregów czasowych i prognozowanie danych dotyczących prędkości wiatru. In Proceedings of the IEEEIndustry Applications Society Annual Meeting, Baltimore, MD, USA, 29 września – 3 października 2019 r.; s. 1–5.

4. Yadav, AP; Kumar, A.; Behera, L. Prognozowanie promieniowania słonecznego w oparciu o RNN przy użyciu adaptacyjnej szybkości uczenia się. W Międzynarodowej Konferencji na temat przetwarzania roju, ewolucyjnego i memetycznego; Springer: Cham, Szwajcaria, 2013; s. 442–452.

5. Hochreiter, S.; Schmidhuber, J. Długa pamięć krótkotrwała. Obliczenia neuronowe. 1997, 9, 1735–1780. [CrossRef] [PubMed]

6. Kumar, D.; Mathur, HD; Bhanot, S.; Bansal, RC Prognozowanie energii słonecznej i wiatrowej przy użyciu LSTM RNN do kontroli częstotliwości obciążenia w izolowanej mikrosieci. Wewnętrzne J.Model. Symul. 2020. [Odniesienie krzyżowe]

7. Shi, X.; Lei, X.; Huang, Q.; Huang, S.; Ren, K.; Hu, Y. Godzinowe prognozowanie energii wiatrowej z jednodniowym wyprzedzeniem przy użyciu hybrydowego modelu dekompozycji modelu wariacyjnego i długiej pamięci krótkotrwałej. Energie 2018, 11, 3227. [CrossRef]

8. Rodrigues, ER; Oliveira, I.; Cunha, R.; Netto, M. DeepDownscale: Strategia głębokiego uczenia się dla prognozy pogody w wysokiej rozdzielczości. W materiałach z 14. Międzynarodowej Konferencji IEEE 2018 na temat e-Science (e-Science), Amsterdam, Holandia, 29 października – 1 listopada 2018 r.; IEEE: Nowy Jork, NY, USA, 2018; s. 415–422.

9. Chen, N.; Qian, Z.; Nabney, IT; Meng, X. Prognozy energii wiatrowej z wykorzystaniem procesów Gaussa i numerycznych prognoz pogody.IEEE Trans. System zasilania 2013, 29, 656–665. [Odniesienie]

10. Cao, Q.; Ewing,BT; Thompson, MA Prognozowanie prędkości wiatru za pomocą rekurencyjnych sieci neuronowych. EUR. J.Oper. Rozdzielczość 2012, 221,148–154. [Odniesienie]

11. Lidia M.; Kumar, SS; Selvakumar, AI; Kumar, GE Liniowe i nieliniowe modele autoregresyjne do krótkoterminowego prognozowania prędkości wiatru. Konwertery energetyczne. Zarządzaj. 2016, 112, 115–124. [Odniesienie]

12. Ghaderi, A.; Sanandaji, BM; Ghaderi, F. Głęboka prognoza: prognozowanie przestrzenno-czasowe oparte na głębokim uczeniu; Uniwersytet Cornell: Ithaca, NY, USA, 2017.

For more information:1950477648nn@gmail.com