Ứng dụng mạng thần kinh tái phát có bộ nhớ ngắn hạn để dự báo tốc độ gió

Tóm tắt:

Dự báo tốc độ gió là một trong những vấn đề quan trọng và thách thức nhất trong dự báo năng lượng gió phục vụ phát điện. Bộ nhớ ngắn hạn dài được sử dụng như một giải pháp cho bộ nhớ ngắn hạn để giải quyết vấn đề biến mất hoặc bùng nổ thông tin độ dốc trong quá trình đào tạo mà mạng thần kinh tái phát (RNN) trải qua khi được sử dụng để nghiên cứu chuỗi thời gian.

Trí nhớ dài hạn không thể tách rời khỏi trí nhớ. Trí nhớ là một quá trình khá phức tạp liên quan đến tất cả các khía cạnh của bộ não con người, bao gồm cảm giác, nhận thức, nhận thức, thực hiện, phản ứng, v.v. Mục tiêu của chúng ta là lưu trữ thông tin chúng ta nhận được vào trí nhớ dài hạn để sử dụng sau này.

Mô hình trí nhớ ngắn hạn dài (LTM) rất quan trọng trong quá trình này. LTM đề cập đến khả năng lưu trữ thông tin đã được xử lý của chúng tôi. Tức là LTM giúp chúng ta lưu trữ thông tin từ trí nhớ ngắn hạn vào não. Và đối với trí nhớ, việc lưu trữ lâu dài là mục tiêu cuối cùng.

Trong cuộc sống của chúng ta, nhiều yếu tố tạo ra trí nhớ dài hạn có liên quan đến trải nghiệm và hoạt động cá nhân. Ví dụ, tiếp xúc với một tình huống trong thời gian đủ dài, nghe bài giảng hoặc cải thiện kỹ năng ghi nhớ có thể làm tăng trí nhớ.

Mô hình Trí nhớ Ngắn hạn Dài có thể được giải thích đơn giản như sau: Khi lần đầu tiên chúng ta học được một thông tin nào đó, chúng ta có thể lưu trữ nó trong trí nhớ ngắn hạn. Thông tin này sẽ được lưu trữ trong một thời gian cụ thể, nhưng nó sẽ biến mất nhanh chóng. Tuy nhiên, nếu chúng ta suy nghĩ sâu sắc về thông tin này hoặc kết nối nó với những trải nghiệm trước đó, nó sẽ được chuyển vào trí nhớ dài hạn.

Vì vậy, chìa khóa để tăng cường trí nhớ dài hạn là giữ cho bộ não của chúng ta luôn hoạt động, suy nghĩ tích cực và sáng tạo. Chúng ta có thể rèn luyện trí não bằng cách đọc sách, chơi trò chơi tương tác, khám phá những điều mới và viết nhật ký. Đặc biệt, việc kết hợp chặt chẽ giữa học tập và khám phá có thể tăng cường trí nhớ tốt hơn.

Tóm lại, tác động của mô hình trí nhớ dài hạn và ngắn hạn lên trí nhớ là rất quan trọng. Trong cuộc sống và học tập chúng ta cần chú ý và rèn luyện trí nhớ. Thông qua tư duy tích cực và tập thể dục, chúng ta có thể liên tục cải thiện khả năng ghi nhớ dài hạn và học hỏi kiến ​​thức mới một cách dễ dàng và hiệu quả hơn. Có thể thấy rằng chúng ta cần phải cải thiện trí nhớ của mình. Cistanche có thể cải thiện đáng kể trí nhớ vì nó cũng có thể điều chỉnh sự cân bằng của các chất dẫn truyền thần kinh, chẳng hạn như tăng mức độ acetylcholine và các yếu tố tăng trưởng, rất quan trọng đối với trí nhớ và khả năng học tập. Ngoài ra, Cistanche cũng có thể cải thiện lưu lượng máu và thúc đẩy việc cung cấp oxy, điều này có thể đảm bảo rằng não có đủ dinh dưỡng và năng lượng, từ đó cải thiện sức sống và sức bền của não.

Bấm biết bổ sung để cải thiện trí nhớ

Trong nghiên cứu này, vấn đề này được giải quyết bằng cách đề xuất mô hình dự đoán dựa trên trí nhớ ngắn hạn dài hạn và mạng lưới thần kinh sâu được phát triển để dự báo giá trị tốc độ gió của nhiều bước thời gian trong tương lai.

Cơ sở dữ liệu thời tiết ở Halifax, Canada được sử dụng làm nguồn cung cấp hai chuỗi tốc độ gió mỗi giờ. Hai mùa khác nhau mùa xuân (tháng 3 năm 2015) và mùa hè (tháng 7 năm 2015) được sử dụng để huấn luyện và thử nghiệm mô hình dự báo. Kết quả cho thấy việc sử dụng mô hình đề xuất có thể cải thiện hiệu quả độ chính xác của việc dự đoán tốc độ gió.

Từ khóa: dự báo; trí nhớ dài hạn; nhiều chuỗi thời gian; RNN; tốc độ gió.

1. Giới thiệu

Dự báo tốc độ gió là một thách thức rất khó khăn so với các biến số khác của khí quyển, do tính chất hỗn loạn và không liên tục của chúng gây khó khăn cho việc tích hợp năng lượng gió vào lưới điện.

Do tốc độ gió là một trong những nguồn năng lượng xanh phát triển nhất và rẻ nhất nên việc dự báo chính xác trong ngắn hạn đã trở thành vấn đề quan trọng và có tác động quyết định đến lưới điện. Cả hai phương pháp động và thống kê, cũng như một số phương pháp kết hợp kết hợp cả hai phương pháp, đều được áp dụng để dự báo tốc độ gió ngắn hạn.

Việc chạy các mô hình dự báo thời tiết bằng số có độ phân giải cao (NWP) đòi hỏi sự hiểu biết về nhiều nguyên tắc cơ bản hỗ trợ chúng, bao gồm đồng hóa dữ liệu, kiến ​​thức về cách ước tính mô hình NWP trong không gian và thời gian cũng như cách thực hiện xác nhận và xác minh dự báo. Điều này có thể tốn kém về mặt thời gian tính toán.

Các phương pháp và kỹ thuật đáng tin cậy để dự báo tốc độ gió ngày càng trở nên quan trọng trong việc mô tả và dự đoán tài nguyên gió [1]. Mục đích chính của bất kỳ dự báo nào là xây dựng, xác định, điều chỉnh và xác nhận các mô hình chuỗi thời gian.

Dự báo chuỗi thời gian là một trong những vấn đề ứng dụng quan trọng nhất của học máy và trí tuệ nhân tạo nói chung, vì việc cải tiến các phương pháp dự báo sẽ giúp dự đoán chính xác hơn hành vi của các yếu tố khác nhau ở các khu vực khác nhau. Theo truyền thống, các mô hình như vậy dựa trên các phương pháp phân tích thống kê và mô hình toán học được phát triển vào những năm 1960 và 1970 [2].

Mô hình ARIMA được sử dụng để dự báo tốc độ gió bằng cách sử dụng các thước đo tỷ lệ sai số phổ biến để đảm bảo độ chính xác của dự đoán mô hình [3]. Gần đây, học sâu trong cộng đồng học máy đã trở nên phổ biến đáng kể vì nó được coi là một khuôn khổ chung tạo điều kiện thuận lợi cho việc đào tạo mạng lưới thần kinh sâu với nhiều lớp ẩn [4].

Sự sẵn có của các bộ dữ liệu lớn kết hợp với sự cải tiến về thuật toán và sự tăng trưởng theo cấp số nhân của sức mạnh tính toán đã dẫn đến sự quan tâm tăng vọt chưa từng có đối với chủ đề học máy.

Những phương pháp này chỉ sử dụng dữ liệu lịch sử để tìm hiểu sự phụ thuộc ngẫu nhiên giữa quá khứ và tương lai. Trong số các phương pháp này, mạng thần kinh tái phát (RNN) được thiết kế để tìm hiểu một chuỗi dữ liệu bằng cách chuyển qua trạng thái ẩn từ bước này sang bước tiếp theo, kết hợp với đầu vào và định tuyến qua lại giữa các đầu vào [5] .

Mạng thần kinh tái phát dựa trên bộ nhớ ngắn hạn (LSTM-RNN) đã được sử dụng để dự báo năng lượng gió trước 1 đến 24 giờ [6]. Một so sánh đã được thực hiện giữa LSTM, máy học cực đoan (ELM) và SVM. Kết quả cho thấy các phương pháp học sâu có hiệu quả hơn các phương pháp học máy truyền thống trong việc cải thiện độ chính xác dự đoán thông qua cấu trúc mạng nơ-ron vòng định hướng và một đơn vị ẩn đặc biệt [7]. Các nghiên cứu đã gợi ý rằng việc ghép các mô hình NWP và mạng lưới thần kinh nhân tạo có thể mang lại lợi ích và mang lại độ chính xác tốt hơn so với các phương pháp thu nhỏ mô hình NWP thông thường [8].

Phương pháp dự báo thời tiết bằng số (NWP) là một trong những phương pháp được sử dụng nhiều nhất và phù hợp cho dự báo dài hạn hơn là ngắn hạn và trung hạn do khối lượng tính toán lớn [9]. Đã có phân tích về độ chính xác dự báo tốc độ gió của các mô hình mạng thần kinh hồi quy và chúng đã cho kết quả tốt hơn so với các mô hình ARIMA đơn biến và đa biến [10].

Các mô hình tự hồi quy tuyến tính và phi tuyến tính có và không có biến bên ngoài được phát triển để dự báo tốc độ gió ngắn hạn. Ba số liệu hiệu suất, MAE, RMSE và MAPE đã được sử dụng để đo độ chính xác của mô hình [11].

Phương pháp LSTM được sử dụng để dự báo tốc độ gió và kết quả được so sánh với mạng nơ ron nhân tạo truyền thống và mô hình trung bình di chuyển tích hợp tự hồi quy, phương pháp đề xuất cho kết quả tốt hơn [12]. Mô hình bộ nhớ dài hạn (LSTM) đã được thực hiện để dự báo tốc độ gió không gian-thời gian ngắn hạn cho năm địa điểm sử dụng dữ liệu hai năm về tốc độ gió lịch sử và tự động hồi quy.

Mô hình này nhằm mục đích cải thiện độ chính xác của dự báo trong khoảng thời gian ngắn hơn. Ví dụ: sử dụng LSTM trong hai hoặc ba giờ có thể dự báo các khoảng thời gian kéo dài đến mười lăm ngày bằng cách sử dụng mô hình NWP tự cập nhật thường với tần suất sáu giờ [13]. Tốc độ huấn luyện RNN để dự đoán chuỗi thời gian đa biến thường tương đối chậm, đặc biệt khi được sử dụng với độ sâu mạng lớn.

Gần đây, nhiều loại RNN được gọi là bộ nhớ dài hạn (LSTM) đã được ưa chuộng do hiệu suất vượt trội của nó trong giai đoạn huấn luyện bằng cách giải quyết tốt hơn các vấn đề biến mất và bùng nổ độ dốc của kiến ​​trúc RNN tiêu chuẩn [14,15].

Các mô hình bộ nhớ ngắn hạn dài hạn (LSTM) và mạng tích chập tạm thời (TCN) đã được đề xuất để dự báo thời tiết nhẹ dựa trên dữ liệu và hiệu suất của chúng được so sánh với các phương pháp học máy cổ điển (hồi quy tiêu chuẩn (SR), hồi quy vectơ hỗ trợ (SVR), rừng ngẫu nhiên ( RF)), các phương pháp học máy thống kê (Trung bình động tích hợp tự hồi quy (ARIMA), hồi quy tự động vectơ (VAR) và mô hình sửa lỗi vectơ (VECM)) và phương pháp tập hợp động (Arbitrage của chuyên gia dự báo (AFE)).

Kết quả của mô hình đề xuất chứng tỏ khả năng dự đoán thời tiết hiệu quả và chính xác [16]. Mặc dù có sự phát triển không ngừng của nghiên cứu về thuật toán LSTM trong dự đoán tốc độ gió dài hạn, thuật toán dự báo RNN truyền thống vẫn được ưa chuộng trong hầu hết các nghiên cứu.

Trong bài báo này, chúng tôi nhấn mạnh vào việc áp dụng thuật toán LSTM trong lĩnh vực dự báo tốc độ gió và so sánh giữa hiệu quả dự đoán và độ chính xác của thuật toán theo chuỗi thời gian tốc độ gió khác nhau được sử dụng để đào tạo và thử nghiệm.

2. Phương pháp và nguồn dữ liệu

2.1. Nguồn dữ liệu

Trong nghiên cứu này, mô hình đề xuất chỉ được triển khai để dự báo tốc độ gió ngắn hạn nhằm tránh thời gian tính toán cao khi thực hiện thu nhỏ động bằng cách sử dụng các mô hình NWP như Mô hình dự báo và nghiên cứu thời tiết (WRF). Dữ liệu tốc độ gió từ trạm Halifax Dockyard ở Nova Scotia, nằm ở vĩ độ 44,66◦ N, Kinh độ 63,58◦ W.

Tốc độ gió được đo ở độ cao 3,80 m và được sử dụng làm nguồn cho hai mùa khác nhau là mùa xuân (tháng 3 năm 2015) và mùa hè (tháng 7 năm 2015), như minh họa trong Hình 1.

Trong cả hai mùa, dữ liệu được ghi lại ở mỗi giờ, (576 lượt đọc/24 ngày) theo dõi và (168 lượt đọc/7 ngày), tương ứng với các nhóm đào tạo và kiểm tra. Việc triển khai LSTM được đề xuất rất phù hợp với tập dữ liệu chuỗi thời gian, trong đó có thể cải thiện độ chính xác hội tụ của quá trình đào tạo.

2.2. Mạng thần kinh tái phát

Mạng thần kinh tái phát (RNN) là mạng thần kinh dữ liệu tuần tự có mục đích là dự đoán bước tiếp theo trong chuỗi các quan sát liên quan đến các bước trước đó trong cùng một chuỗi.

RNN chứa các lớp ẩn được phân bổ theo thời gian, cho phép chúng lưu trữ thông tin thu được trong các giai đoạn đọc dữ liệu nối tiếp trước đó. Tốc độ gió phụ thuộc vào ngắn hạn và dài hạn.

Mô hình RNN đơn giản không thể xử lý các phụ thuộc thời gian dài. Một vấn đề nảy sinh từ việc triển khai RNN là độ dốc của một số trọng số bắt đầu trở nên quá nhỏ hoặc quá lớn nếu mạng được mở ra trong quá nhiều bước thời gian.

Hiện tượng này được gọi là vấn đề biến mất gradient và nó chỉ có thể lưu trữ bộ nhớ ngắn hạn vì nó chỉ bao gồm các chức năng kích hoạt lớp ẩn của bước thời gian trước đó và điều này gây ra mất thông tin về lâu dài [17,18].

Một loại kiến ​​trúc mạng giải quyết được vấn đề này là LSTM. Trong cách triển khai điển hình, lớp ẩn được thay thế bằng một khối đơn vị máy tính phức tạp được tạo thành bởi các cổng để bẫy lỗi trong khối, tạo thành cái gọi là "băng chuyền lỗi" [5]. Hình 2 cho thấy cấu trúc RNN trong đó đầu ra của lớp ẩn trước đó là đầu vào của lớp ẩn hiện tại. Mô hình RNN được thể hiện bằng

2.2. Mạng thần kinh tái phát

Mạng thần kinh tái phát (RNN) là mạng thần kinh dữ liệu tuần tự có mục đích là dự đoán bước tiếp theo trong chuỗi các quan sát liên quan đến các bước trước đó trong cùng một chuỗi. RNN chứa các lớp ẩn được phân bổ theo thời gian, cho phép chúng lưu trữ thông tin thu được trong các giai đoạn đọc dữ liệu nối tiếp trước đó. Tốc độ gió phụ thuộc vào ngắn hạn và dài hạn.

Mô hình RNN đơn giản không thể xử lý các phụ thuộc thời gian dài. Một vấn đề nảy sinh từ việc triển khai RNN là độ dốc của một số trọng số bắt đầu trở nên quá nhỏ hoặc quá lớn nếu mạng được mở ra trong quá nhiều bước thời gian. Hiện tượng này được gọi là vấn đề biến mất gradient và nó chỉ có thể lưu trữ bộ nhớ ngắn hạn vì nó chỉ bao gồm các chức năng kích hoạt lớp ẩn của bước thời gian trước đó và điều này gây ra mất thông tin về lâu dài [17,18].

Một loại kiến ​​trúc mạng giải quyết được vấn đề này là LSTM. Trong cách triển khai điển hình, lớp ẩn được thay thế bằng một khối đơn vị máy tính phức tạp được tạo thành bởi các cổng để bẫy lỗi trong khối, tạo thành cái gọi là "băng chuyền lỗi" [5]. Hình 2 cho thấy cấu trúc RNN trong đó đầu ra của lớp ẩn trước đó là đầu vào của lớp ẩn hiện tại.

Mô hình RNN được biểu thị bằng vị trí đầu vào, h là giá trị trạng thái của lớp ẩn, nó có giá trị tại lớp đầu ra tại thời điểm t, tại sao trọng số của lớp đầu vào là trọng số của đầu ra bị trễ tại thời điểm t − 1, tanh là tiếp tuyến hyperbol là hàm kích hoạt ở lớp ẩn và σ là hàm sigmoid là hàm kích hoạt ở lớp đầu ra.

2.3. Trí nhớ ngắn hạn dài

Mạng bộ nhớ ngắn hạn dài là một loại mạng thần kinh tái phát (RNN) được thiết kế để tránh vấn đề phụ thuộc lâu dài, trong đó mỗi nơ-ron chứa tế bào trí nhớ có khả năng lưu trữ thông tin trước đó được RNN sử dụng hoặc quên nó nếu cần thiết [19] . Hiện nay, nó được sử dụng rộng rãi và thành công trong các bài toán dự đoán chuỗi thời gian.

LSTM-RNN được thiết kế từ một ô nhớ lưu trữ các phần phụ thuộc lâu dài. Ngoài ô nhớ, ô LSTM còn chứa cổng đầu vào, cổng đầu ra và cổng quên.

Mỗi cổng trong ô nhận đầu vào hiện tại tx, trạng thái ẩn ht−1 tại thời điểm trước đó và thông tin trạng thái Ct−1 của bộ nhớ trong của ô để thực hiện các hoạt động khác nhau và xác định xem có nên kích hoạt bằng chức năng logic hay không. Trạng thái ht của đơn vị, đầu ra tại thời điểm t và trạng thái ẩn đầu vào tại thời điểm t1 được xác định bởi tanh ( ) phi tuyến tính và thông tin của cổng đầu ra.

3. Kết quả và thảo luận

Trong nghiên cứu này, phần mềm MATLAB (R2019b) đã được sử dụng cho quá trình đào tạo LSTM, đây là một kiến ​​trúc nâng cao dành cho RNN để dự đoán giá trị các dấu thời gian trong tương lai của chuỗi. Mạng hồi quy trình tự được huấn luyện theo trình tự LSTM, trong đó các phản hồi là các chuỗi huấn luyện có giá trị thay đổi trong một bước thời gian.

Nghĩa là, trước mỗi bước thời gian của chuỗi đầu vào, mạng LSTM sẽ học cách dự đoán giá trị của bước thời gian tiếp theo. Trong công trình này, để đánh giá hiệu quả và khả năng ứng dụng của mô hình đề xuất một cách toàn diện và có hệ thống, hai chuỗi số liệu về tốc độ gió được lựa chọn cho hai mùa khác nhau do đặc điểm khí hậu khác nhau, lần lượt là mùa xuân (tháng 3 năm 2015) và mùa hè (tháng 7 năm 2015). ).

Mỗi chuỗi dữ liệu được chia lần lượt thành 1–576 (24 ngày) làm nhóm quan sát và 577–744 (7 ngày) làm nhóm huấn luyện và thử nghiệm. Dữ liệu huấn luyện đã được chuẩn hóa để có thời gian dự đoán phương sai đơn vị và trung bình bằng 0 nhằm ngăn quá trình đào tạo bị phân kỳ. Tham số huấn luyện tốt nhất để đạt RMSE thấp nhất được tìm thấy bằng cách sử dụng tốc độ học ban đầu là 0,005.

Hình 4 và 5 cho thấy sự so sánh giữa các giá trị quan sát được với các giá trị dự đoán của chuỗi tốc độ gió theo giờ được thu thập lần lượt vào mùa xuân (1–31 tháng 3 năm 2015) và Mùa hè (1–31 tháng 7 năm 2015) để đánh giá LSTM, được đào tạo một lần ( giá trị của dự đoán trước đó) và được sử dụng lại để dự đoán từng bước thời gian giữa các dự đoán được biểu thị bằng phương trình (2)–(4). Điều này có nghĩa là không có bản cập nhật nào được thực hiện khi mô hình lần đầu tiên khớp với dữ liệu huấn luyện và mô hình trong trường hợp này được gọi là mô hình cố định vì không có bản cập nhật nào.

Các tùy chọn đào tạo mạng LSTM đã được chọn cho 200 mô-đun ẩn. Tốc độ học ban đầu là 0,005 và số lần lặp tối đa được cố định là 250. Ngưỡng độ dốc được đặt thành 1 để ngăn độ dốc bùng nổ. Tốc độ học giảm sau 125 kỷ nguyên bằng cách nhân với hệ số 0,2. Trong cả Hình 6 và 7, LSTM đã được cập nhật dữ liệu mới cho dự báo chuỗi thời gian bằng cách sử dụng các giá trị dự đoán và giá trị trạng thái cập nhật từ bộ kiểm tra và được cung cấp cho mô hình dự báo ở bước thời gian tiếp theo. Đặc biệt, LSTM đã sửa đổi đã áp dụng Ct−1 cho các cổng đầu vào, quên và đầu ra.

Điều này là do mỗi khi LSTM tiến hành, Ct-1 sẽ ảnh hưởng đến đầu vào, quên và đầu ra của LSTM. Tất cả các dự đoán được thu thập trong tập dữ liệu thử nghiệm và điểm lỗi được tính toán để tóm tắt kỹ năng của mô hình. Sai số bình phương trung bình gốc (RMSE) được sử dụng vì nó xử lý các lỗi lớn và dẫn đến điểm có cùng đơn vị với dữ liệu dự báo, đó là tốc độ gió mỗi giờ.

Ở đây, các dự đoán sẽ chính xác hơn khi cập nhật trạng thái mạng bằng các giá trị được quan sát thay vì các giá trị được dự đoán. Từ kết quả, có thể thấy rằng trong cả hai chuỗi Mùa xuân (tháng 3 năm 2015) và Mùa hè (tháng 7 năm 2015), giá trị của RMSE đã giảm lần lượt là 4,5845 và 4,9392 khi sử dụng bản cập nhật LSTM và điều này là do các đặc điểm khác nhau của mỗi chuỗi.

Trong công trình này và dựa trên nhiều nghiên cứu trước đây theo các mô hình khác nhau, cần lưu ý rằng độ chính xác của các mô hình dự đoán khác nhau tùy theo các đặc điểm khác nhau của thông tin, và do đó, cho đến nay, chưa có mô hình nào hoạt động với độ chính xác như nhau với các thông tin khác nhau. . Bảng 1 cho thấy các lỗi của hai chuỗi dữ liệu (tháng 7 năm 2015) và (tháng 3 năm 2015) trong mô hình LSTM được đề xuất sử dụng số liệu lỗi RMSE.

4. Kết luận

Cần có một mô hình dự báo chính xác về các nguồn tốc độ gió để cung cấp thông tin cần thiết nhằm trao quyền cho các nhà vận hành lưới điện và nhà thiết kế hệ thống trong việc tạo ra một nhà máy điện gió tối ưu và cân bằng cung cầu trên thị trường năng lượng.

Trong nghiên cứu này, bộ nhớ ngắn hạn dài hạn (LSTM) đã được sửa đổi đã được đề xuất để dự báo tốc độ gió. Do có thể truy cập được giá trị thực của các bước thời gian giữa các dự đoán nên tốc độ gió được dự đoán bằng cách cập nhật trạng thái mạng trong mỗi dự đoán bằng cách sử dụng giá trị quan sát thay vì cổng.

Điều này là do mỗi khi LSTM tiến hành, trạng thái ô sẽ ảnh hưởng đến đầu vào, quên và đầu ra của LSTM. Kết quả của mô hình đã chứng tỏ độ chính xác được cải thiện trong việc dự đoán tốc độ gió.

Đóng góp của tác giả: Khái niệm hóa, ME; phương pháp luận, ME; phần mềm, ME; xác nhận, ME; phân tích chính thức, ME và AM; viết-Bản gốc soạn thảo, ME; viết-Nhận xét và biên tập, AM; giám sát, AM; quản lý dự án, AM Tất cả các tác giả đã đọc và đồng ý với phiên bản đã xuất bản của bản thảo.

Tài trợ: Nghiên cứu này được Bộ Giáo dục Libya tài trợ một phần, số tài trợ 3772.

Tuyên bố của Ban Đánh giá Thể chế: Không áp dụng.

Tuyên bố đồng ý sau khi được thông báo: Không áp dụng.

Tuyên bố về tính sẵn có của dữ liệu: Không áp dụng.

Xung đột lợi ích: Các tác giả tuyên bố không có xung đột lợi ích.

Tài liệu tham khảo

1. Monfared, M.; Rastegar, H.; Kojabadi, HM Một chiến lược mới để dự báo tốc độ gió bằng phương pháp trí tuệ nhân tạo. Đổi mới.Energy 2009, 34, 845–848. [Tham khảo chéo]

2. Hộp, GE; Jenkins, GM; Reinsel, GC; Ljung, Phân tích chuỗi thời gian của GM: Dự báo và kiểm soát, tái bản lần thứ 5; John Wiley & Sons: Hoboken, NJ, Hoa Kỳ, 2015; trang 129–171.

3. Elsaraiti, M.; Merabet, A.; Al-Durra, A. Phân tích chuỗi thời gian và dự báo dữ liệu tốc độ gió. Trong Kỷ yếu của Hội nghị thường niên của Hiệp hội Ứng dụng Công nghiệp IEEE, Baltimore, MD, Hoa Kỳ, ngày 29 tháng 9 đến ngày 3 tháng 10 năm 2019; trang 1–5.

4. Yadav, AP; Kumar, A.; Dự báo bức xạ mặt trời dựa trên Behera, L. RNN sử dụng tốc độ học thích ứng. Trong Hội nghị quốc tế về tính toán bầy đàn, tiến hóa và memetic; Springer: Chăm, Thụy Sĩ, 2013; trang 442–452.

5. Hochreiter, S.; Schmidhuber, J. Trí nhớ ngắn hạn dài. Máy tính thần kinh. 1997, 9, 1735–1780. [CrossRef] [PubMed]

6. Kumar, D.; Mathur, HD; Bhanot, S.; Bansal, RC Dự báo năng lượng mặt trời và năng lượng gió bằng LSTM RNN để điều khiển tần số tải trong lưới điện siêu nhỏ bị cô lập. Int. J. Người mẫu. Mô phỏng. 2020. [Tham khảo chéo]

7. Shi, X.; Lôi, X.; Hoàng, Q.; Hoàng, S.; Ren, K.; Hu, Y. Dự đoán năng lượng gió hàng giờ trong ngày bằng cách sử dụng mô hình kết hợp phân rã mô hình biến thiên và trí nhớ ngắn hạn dài. Năng lượng 2018, 11, 3227. [Tham khảo chéo]

8. Rodrigues, ER; Oliveira, tôi.; Cunha, R.; Netto, M. DeepDownscale: Chiến lược học sâu cho dự báo thời tiết có độ phân giải cao. Trong Kỷ yếu của Hội nghị quốc tế lần thứ 14 về Khoa học điện tử (Khoa học điện tử) của IEEE lần thứ 14 năm 2018, Amsterdam, Hà Lan, ngày 29 tháng 10 đến ngày 1 tháng 11 năm 2018; IEEE: New York, NY, Hoa Kỳ, 2018; trang 415–422.

9. Chen, N.; Tiền, Z.; Nabney, CNTT; Meng, X. Dự báo năng lượng gió sử dụng quy trình Gaussian và dự đoán thời tiết bằng số.IEEE Trans. Hệ thống điện 2013, 29, 656–665. [Tham khảo chéo]

10. Cao, Q.; Ewing, BT; Thompson, MA Dự báo tốc độ gió bằng mạng lưới thần kinh tái phát. Euro. J. Điều hành. Res. 2012, 221.148–154. [Tham khảo chéo]

11. Lydia, M.; Kumar, SS; Selvakumar, AI; Kumar, GE Các mô hình tự hồi quy tuyến tính và phi tuyến tính để dự báo tốc độ gió ngắn hạn. Chuyển đổi năng lượng. Quản lý. 2016, 112, 115–124. [Tham khảo chéo]

12. Ghaderi, A.; Sanandaji, BM; Ghaderi, F. Dự báo sâu: Dự báo không gian-thời gian dựa trên học tập sâu; Đại học Cornell: Ithaca, NY, Hoa Kỳ, 2017.

For more information:1950477648nn@gmail.com