Numer: 09/2024 Str. 106
Autorzy: Muskaan Ahuja , Sanju Saini :
Tytuł: Głęboka sieć neuronowa do przewidywania chaotycznych szeregów czasowych prędkości wiatru
Streszczenie: Dokładne prognozowanie prędkości wiatru jest niezbędne dla systemów energetyki wiatrowej, ale jest trudne ze względu na niepewność wiatru. W tym badaniu krótkoterminowe prognozowanie prędkości wiatru odbywa się na podstawie rekonstrukcji przestrzeni fazowej i przy użyciu technik sieci neuronowych. Gromadzone są dane dotyczące prędkości wiatru w BAZYLEI (Szwajcaria). Najpierw ustala się chaotyczną naturę szeregu czasowego, aby zweryfikować jego krótkoterminową przewidywalność. Następnie tworzone są dane treningowe przy użyciu techniki rekonstrukcji przestrzeni fazowej, tj. wykorzystując wiedzę na temat opóźnienia osadzania i wymiaru osadzania. Przy użyciu tych danych trenowane są dwa modele sztucznych sieci neuronowych, tj. sieć neuronowa Feedforward (FFNN) i sieć neuronowa splotowa (CNN), aby przewidywać prędkość wiatru. Szeregi czasowe prędkości wiatru są kategoryzowane według pór roku, odpowiednio JUN-AUG (lato), SEP-NOV (jesień), DECFEB (zima) i MAR-MAY (wiosna), dla obu lokalizacji. Dokładność treningu każdego modelu jest porównywana na podstawie metryk średniego błędu kwadratowego (MSE), średniego błędu bezwzględnego (MAE), pierwiastka średniego błędu kwadratowego (RMSE) i symetrycznego średniego błędu procentowego bezwzględnego (SMAPE). Wyniki symulacji pokazują wyższość CNN nad FFNN w przewidywaniu prędkości wiatru.
Słowa kluczowe: prognozowanie prędkości wiatru, teoria chaosu, rekonstrukcja przestrzeni fazowej, model głębokiego uczenia się