Penggunaan Rangkaian Neural Berulang Memori Jangka Pendek Jangka Panjang Untuk Meramal Kelajuan Angin

Abstrak:

Ramalan kelajuan angin adalah salah satu masalah yang paling penting dan mencabar dalam ramalan kuasa angin untuk penjanaan elektrik. Ingatan jangka pendek panjang digunakan sebagai penyelesaian kepada ingatan jangka pendek untuk menangani masalah kehilangan atau letupan maklumat kecerunan semasa proses latihan yang dialami oleh rangkaian saraf berulang (RNN) apabila digunakan untuk mengkaji siri masa.

Ingatan jangka panjang tidak dapat dipisahkan daripada ingatan. Ingatan ialah proses yang agak kompleks yang melibatkan semua aspek otak manusia, termasuk sensasi, persepsi, kognisi, pelaksanaan, tindak balas, dll. Matlamat kami adalah untuk menyimpan maklumat yang kami terima dalam ingatan jangka panjang untuk kegunaan kemudian.

Model Ingatan Jangka Pendek Panjang (LTM) adalah penting dalam proses ini. LTM merujuk kepada keupayaan kita untuk menyimpan maklumat yang telah diproses. Maksudnya, LTM membantu kita menyimpan maklumat daripada ingatan jangka pendek ke dalam otak. Dan untuk ingatan, penyimpanan jangka panjang adalah matlamat utama.

Dalam kehidupan kita, banyak faktor yang menghasilkan ingatan jangka panjang berkaitan dengan pengalaman dan aktiviti peribadi. Contohnya, pendedahan kepada situasi untuk masa yang cukup lama, mendengar syarahan atau meningkatkan kemahiran ingatan boleh meningkatkan ingatan.

Model Ingatan Jangka Pendek Panjang boleh dijelaskan secara ringkas seperti berikut: Apabila kita mula-mula mempelajari sesuatu maklumat, kita boleh menyimpannya dalam ingatan jangka pendek. Maklumat ini akan disimpan untuk masa tertentu, tetapi ia akan hilang dengan cepat. Walau bagaimanapun, jika kita berfikir secara mendalam tentang maklumat ini atau menghubungkannya dengan pengalaman terdahulu, ia akan dipindahkan ke ingatan jangka panjang.

Oleh itu, kunci untuk meningkatkan ingatan jangka panjang kita adalah untuk memastikan otak kita aktif, berfikiran positif dan kreatif. Kita boleh melatih otak dengan membaca buku, bermain permainan interaktif, meneroka perkara baharu dan menulis diari. Khususnya, penggabungan rapat pembelajaran dan penerokaan boleh menguatkan ingatan dengan lebih baik.

Ringkasnya, kesan model ingatan jangka panjang dan jangka pendek terhadap ingatan adalah penting. Dalam kehidupan dan belajar, kita perlu memberi perhatian dan mengamalkan ingatan. Melalui pemikiran dan senaman yang aktif, kita boleh terus meningkatkan keupayaan ingatan jangka panjang kita dan mempelajari pengetahuan baharu dengan lebih mudah dan berkesan. Dapat dilihat bahawa kita perlu meningkatkan daya ingatan. Cistanche boleh meningkatkan ingatan dengan ketara kerana ia juga boleh mengawal keseimbangan neurotransmitter, seperti meningkatkan tahap asetilkolin dan faktor pertumbuhan, yang sangat penting untuk ingatan dan pembelajaran. Selain itu, Cistanche juga boleh meningkatkan aliran darah dan menggalakkan penghantaran oksigen, yang dapat memastikan otak memperoleh nutrisi dan tenaga yang mencukupi, seterusnya meningkatkan daya hidup dan daya tahan otak.

Klik tahu suplemen untuk meningkatkan ingatan

Dalam kajian ini, masalah ini ditangani dengan mencadangkan model ramalan berdasarkan ingatan jangka pendek dan rangkaian saraf dalam yang dibangunkan untuk meramalkan nilai kelajuan angin beberapa langkah masa pada masa hadapan.

Pangkalan data cuaca di Halifax, Kanada digunakan sebagai sumber dua siri kelajuan angin sejam. Dua musim berbeza musim bunga (Mac 2015) dan musim panas (Julai2015) telah digunakan untuk melatih dan menguji model ramalan. Keputusan menunjukkan bahawa penggunaan model yang dicadangkan dapat meningkatkan ketepatan ramalan kelajuan angin dengan berkesan.

Kata kunci: ramalan; ingatan jangka pendek; beberapa siri masa; RNN; kelajuan angin.

1. Pengenalan

Meramalkan kelajuan angin adalah satu cabaran yang sangat sukar berbanding dengan pembolehubah lain atmosfera, dan ini disebabkan sifatnya yang huru-hara dan terputus-putus yang menyebabkan kesukaran untuk mengintegrasikan kuasa angin ke grid.

Memandangkan kelajuan angin ialah salah satu sumber tenaga hijau yang paling maju dan paling murah, ramalan yang tepat dalam jangka pendek telah menjadi perkara penting dan mempunyai kesan yang menentukan pada grid elektrik. Kedua-dua kaedah dinamik dan statistik, dan beberapa kaedah hibrid yang menggabungkan kedua-dua kaedah, digunakan untuk meramalkan kelajuan angin jangka pendek.

Menjalankan model ramalan cuaca berangka (NWP) resolusi tinggi memerlukan pemahaman tentang banyak prinsip asas yang menyokongnya, termasuk asimilasi data, pengetahuan tentang cara menganggar model NWP dalam ruang dan masa serta cara melaksanakan pengesahan dan pengesahan ramalan. Ini boleh menjadi mahal dari segi masa pengiraan.

Kaedah dan teknik yang boleh dipercayai untuk meramalkan kelajuan angin menjadi semakin penting untuk mencirikan dan meramal sumber angin [1]. Tujuan utama sebarang ramalan adalah untuk membina, mengenal pasti, menala dan mengesahkan model siri masa.

Ramalan siri masa adalah salah satu masalah gunaan yang paling penting dalam pembelajaran mesin dan kecerdasan buatan secara umum, kerana penambahbaikan kaedah ramalan akan memungkinkan untuk meramalkan dengan lebih tepat tingkah laku pelbagai faktor kawasan acuh tak acuh. Secara tradisinya, model sedemikian adalah berdasarkan kaedah analisis statistik dan pemodelan matematik yang dibangunkan pada tahun 1960-an dan 1970-an [2].

Model ARIMA digunakan untuk meramalkan kelajuan angin menggunakan ukuran nisbah ralat biasa untuk ketepatan ramalan model [3]. Baru-baru ini, pembelajaran mendalam dalam komuniti pembelajaran mesin telah mendapat populariti yang ketara kerana ia dianggap sebagai rangka kerja umum yang memudahkan latihan rangkaian saraf dalam dengan banyak lapisan tersembunyi [4].

Ketersediaan set data yang besar digabungkan dengan peningkatan dalam algoritma dan pertumbuhan eksponen dalam kuasa pengkomputeran membawa kepada lonjakan minat yang tiada tandingannya dalam topik pembelajaran mesin.

Kaedah ini hanya menggunakan data sejarah untuk mempelajari kebergantungan rawak antara masa lalu dan masa hadapan. Antara kaedah ini, rangkaian neural berulang (RNN) yang direka untuk mempelajari urutan data dengan merentasi keadaan tersembunyi dari satu langkah urutan ke langkah seterusnya, digabungkan dengan input, dan menghalakannya ke sana ke mari antara input [5] .

Rangkaian saraf berulang berasaskan ingatan jangka pendek panjang (LSTM-RNN) telah digunakan untuk meramalkan kuasa angin 1 hingga 24 jam lebih awal [6]. Perbandingan dibuat antara LSTM, mesin pembelajaran melampau (ELM) dan SVM. Keputusan telah menunjukkan bahawa pendekatan pembelajaran mendalam adalah lebih berkesan daripada kaedah pembelajaran mesin tradisional dalam meningkatkan ketepatan ramalan melalui struktur rangkaian neural gelung arah dan unit tersembunyi khas [7]. Kajian telah mencadangkan bahawa gandingan model NWP dan rangkaian saraf tiruan boleh memberi manfaat dan memberikan ketepatan yang lebih baik berbanding kaedah penurunan skala model NWP konvensional [8].

Kaedah ramalan cuaca berangka (NWP) adalah salah satu kaedah yang paling banyak digunakan, dan ia sesuai untuk ramalan jangka panjang berbanding jangka pendek dan jangka sederhana kerana jumlah pengiraan yang besar [9]. Terdapat analisis ketepatan ramalan kelajuan angin bagi model rangkaian saraf berulang, dan mereka telah membentangkan hasil yang lebih baik berbanding model ARIMA univariat dan multivariate [10].

Model autoregresif linear dan bukan linear dengan dan tanpa pembolehubah luaran telah dibangunkan untuk meramalkan kelajuan angin jangka pendek. Tiga metrik prestasi, MAE, RMSE dan MAPE digunakan untuk mengukur ketepatan model [11].

Kaedah LSTM digunakan untuk meramalkan kelajuan angin dan hasilnya dibandingkan dengan rangkaian neural tiruan tradisional dan model purata bergerak bersepadu autoregresif, kaedah yang dicadangkan membuktikan hasil yang lebih baik [12]. Model Ingatan Jangka Panjang (LSTM) telah dilakukan untuk ramalan kelajuan angin spatio-temporal jangka pendek untuk lima lokasi menggunakan data dua tahun untuk kelajuan angin sejarah dan regresi automatik.

Model ini bertujuan untuk meningkatkan ketepatan ramalan pada ufuk masa yang lebih pendek. Sebagai contoh, menggunakan LSTM selama dua atau tiga jam boleh meramalkan ufuk memanjang hingga lima belas hari menggunakan model NWP yang mengemas kini sendiri biasanya dengan kekerapan enam jam [13]. Kelajuan latihan RNN untuk meramalkan siri masa multivariate biasanya agak perlahan terutamanya apabila digunakan dengan kedalaman rangkaian yang besar.

Baru-baru ini kepelbagaian RNN yang dipanggil ingatan jangka panjang (LSTM) telah digemari kerana prestasinya yang unggul semasa fasa latihan dengan menyelesaikan masalah kecerunan piawai RNN yang lenyap dan meletup dengan lebih baik [14,15].

Model ingatan jangka pendek jangka pendek (LSTM) dan rangkaian convolutional temporal (TCN) telah dicadangkan untuk ramalan cuaca ringan dipacu data, dan prestasinya dibandingkan dengan pendekatan pembelajaran mesin klasik (regresi standard (SR), regresi vektor sokongan (SVR), hutan rawak( RF)), pendekatan pembelajaran mesin statistik (Purata bergerak bersepadu Autoregresif (ARIMA), regresi auto vektor (VAR), dan model pembetulan ralat vektor (VECM)), dan kaedah ensembel dinamik (Arbitraj pakar ramalan (AFE)).

Keputusan model yang dicadangkan menunjukkan keupayaannya untuk meramal cuaca yang berkesan dan tepat [16]. Walaupun pembangunan berterusan penyelidikan pada algoritma LSTM dalam jangka panjang kelajuan angin, algoritma RNN tradisional untuk ramalan masih lebih disukai dalam kebanyakan penyelidikan.

Dalam kertas kerja ini, penekanan telah diberikan kepada aplikasi LSTMalgorithm dalam bidang ramalan kelajuan angin dan perbandingan antara kecekapan ramalan dan ketepatan algoritma di bawah siri masa kelajuan angin yang berbeza digunakan untuk latihan dan ujian.

2. Metodologi dan Sumber Data

2.1. Sumber Data

Dalam kajian ini, model yang dicadangkan hanya dilaksanakan untuk peramalan jangka pendek kelajuan angin bagi mengelakkan masa pengiraan yang tinggi untuk membuat penskalaan bawah dinamik dengan menggunakan model NWP seperti Model Penyelidikan dan Ramalan Cuaca (WRF). Data kelajuan angin dari stesen Halifax Dockyard di Nova Scotia, yang terletak di latitud 44.66◦ U, Longitud 63.58◦ W.

Kelajuan angin diukur pada ketinggian 3.80 m, dan ia digunakan sebagai sumber untuk dua musim berbeza, musim bunga (Mac 2015) dan musim panas (Julai 2015), seperti yang ditunjukkan dalam Rajah 1.

Untuk kedua-dua musim, data yang direkodkan pada setiap jam, (576 bacaan/24 hari) sebagai pemerhatian dan (168 bacaan/7 hari), masing-masing, sebagai kumpulan latihan dan ujian. Pelaksanaan LSTM yang dicadangkan sesuai dengan set data siri masa, yang dapat meningkatkan ketepatan penumpuan proses latihan.

2.2. Rangkaian Neural Berulang

Rangkaian saraf berulang (RNN) ialah rangkaian neural data berurutan yang tujuannya adalah untuk meramalkan langkah seterusnya dalam urutan pemerhatian berbanding dengan langkah sebelumnya dalam urutan yang sama.

RNN mengandungi lapisan tersembunyi yang diedarkan merentas masa, yang membolehkannya menyimpan maklumat yang diperoleh dalam peringkat sebelumnya membaca data bersiri. Kelajuan angin bergantung pada jangka pendek dan panjang.

Model RNN mudah tidak dapat mengendalikan kebergantungan jangka panjang. Satu masalah yang timbul daripada pembukaan RNN ialah kecerunan beberapa pemberat mula menjadi terlalu kecil atau terlalu besar jika rangkaian dilipat untuk terlalu banyak langkah masa.

Fenomena ini dipanggil masalah kecerunan lenyap, dan ia boleh menyimpan ingatan jangka pendek hanya kerana ia merangkumi fungsi mengaktifkan lapisan tersembunyi pada langkah masa sebelumnya sahaja dan ini menyebabkan kehilangan maklumat dalam jangka panjang [17,18].

Satu jenis seni bina rangkaian yang menyelesaikan masalah ini ialah LSTM. Dalam pelaksanaan biasa, lapisan tersembunyi digantikan oleh blok kompleks unit pengkomputeran yang terdiri daripada gerbang yang memerangkap ralat dalam blok, membentuk apa yang dipanggil "karousel ralat" [5]. Rajah 2 menunjukkan struktur RNN di mana output lapisan tersembunyi sebelum ini adalah input kepada lapisan tersembunyi semasa. Model RNN dinyatakan oleh

2.2. Rangkaian Neural Berulang

Rangkaian saraf berulang (RNN) ialah rangkaian neural data berurutan yang tujuannya adalah untuk meramalkan langkah seterusnya dalam urutan pemerhatian berbanding dengan langkah sebelumnya dalam urutan yang sama. RNN mengandungi lapisan tersembunyi yang diedarkan merentas masa, yang membolehkannya menyimpan maklumat yang diperoleh dalam peringkat sebelumnya membaca data bersiri. Kelajuan angin bergantung pada jangka pendek dan panjang.

Model RNN mudah tidak dapat mengendalikan kebergantungan jangka panjang. Satu masalah yang timbul daripada pembukaan RNN ialah kecerunan beberapa pemberat mula menjadi terlalu kecil atau terlalu besar jika rangkaian dilipat untuk terlalu banyak langkah masa. Fenomena ini dipanggil masalah kecerunan lenyap, dan ia boleh menyimpan ingatan jangka pendek hanya kerana ia merangkumi fungsi mengaktifkan lapisan tersembunyi pada langkah masa sebelumnya sahaja dan ini menyebabkan kehilangan maklumat dalam jangka panjang [17,18].

Satu jenis seni bina rangkaian yang menyelesaikan masalah ini ialah LSTM. Dalam pelaksanaan biasa, lapisan tersembunyi digantikan oleh blok kompleks unit pengkomputeran yang terdiri daripada gerbang yang memerangkap ralat dalam blok, membentuk apa yang dipanggil "karousel ralat" [5]. Rajah 2 menunjukkan struktur RNN di mana output lapisan tersembunyi sebelum ini adalah input kepada lapisan tersembunyi semasa.

Model RNN dinyatakan dengan di mana adalah input, htis nilai keadaan lapisan tersembunyi, ia dinilai pada lapisan output pada masa t, mengapa berat dari lapisan input, mengapa berat untuk keluaran tertunda pada masa t − 1, tanh ialah tangen hiperbolik sebagai fungsi pengaktifan pada lapisan tersembunyi, danσ ialah fungsi sigmoid sebagai fungsi pengaktifan pada lapisan keluaran.

2.3. Ingatan Jangka Pendek Panjang

Rangkaian ingatan jangka pendek panjang adalah sejenis rangkaian neural berulang (RNN) yang direka untuk mengelakkan masalah pergantungan jangka panjang, di mana setiap neuron mengandungi sel memori yang mampu menyimpan maklumat sebelumnya yang digunakan oleh RNN atau melupakannya jika perlu [19] . Pada masa ini, ia digunakan secara meluas dengan kejayaan dalam masalah ramalan siri masa.

LSTM-RNN telah direka bentuk daripada sel memori yang menyimpan kebergantungan jangka panjang. Sebagai tambahan kepada sel memori, sel LSTM mengandungi get input, get output dan forgetgate.

Setiap get dalam sel menerima input semasa tx, keadaan tersembunyi ht−1 pada saat sebelumnya dan maklumat keadaan Ct−1 memori dalaman sel untuk melaksanakan pelbagai operasi dan menentukan sama ada untuk mengaktifkan menggunakan fungsi logik. Keadaan ht unit, output pada masa t, dan keadaan tersembunyi input pada masa t1 ditentukan oleh tanh ( ) yang tidak diaktifkan secara linear dan maklumat get output.

3. Keputusan dan Perbincangan

Dalam kajian ini, perisian MATLAB (R2019b) telah digunakan untuk proses latihan LSTM, yang merupakan seni bina lanjutan untuk RNN ​​untuk meramalkan nilai langkah masa hadapan bagi suatu jujukan. Rangkaian regresi jujukan telah dilatih kepada jujukan LSTM, di mana tindak balas adalah jujukan latihan dengan nilai yang berubah dalam satu langkah masa.

Iaitu, untuk setiap langkah masa urutan input, rangkaian LSTM belajar untuk meramalkan nilai langkah masa seterusnya. Dalam kerja ini, untuk menilai keberkesanan dan kebolehgunaan model yang dicadangkan secara komprehensif dan sistematik, dua siri data telah dipilih untuk kelajuan angin untuk dua musim berbeza kerana ciri iklimnya yang berbeza, iaitu, masing-masing, musim bunga (Mac 2015) dan musim panas (Julai 2015). ).

Setiap siri data dibahagikan kepada 1-576 (24 hari) sebagai pemerhatian dan 577-744 (7 hari), masing-masing, sebagai kumpulan latihan dan ujian. Data latihan telah diseragamkan untuk mempunyai min sifar dan varians unit pada masa ramalan untuk mengelakkan latihan daripada perbezaan. Parameter latihan terbaik untuk mendapatkan RMSE terendah didapati menggunakan kadar pembelajaran awal 0.005.

Rajah 4 dan 5 menunjukkan perbandingan nilai yang diperhatikan dengan nilai ramalan siri kelajuan angin setiap jam yang dikumpul pada musim bunga (1–31 Mac 2015) dan Musim Panas (1–31 Julai 2015), masing-masing, untuk penilaian LSTM, yang dilatih sekali (the nilai ramalan sebelumnya) dan digunakan semula untuk meramal setiap langkah masa antara ramalan yang diwakili oleh Persamaan (2)–(4). Ini bermakna tiada kemas kini dibuat sebaik sahaja model pertama kali sesuai dengan data latihan, dan model dalam kes ini dipanggil model tetap kerana tiada kemas kini.

Pilihan latihan rangkaian LSTM telah dipilih untuk 200 modul tersembunyi. Kadar pembelajaran awal ialah 0.005, dan bilangan maksimum lelaran ditetapkan pada 250. Ambang kecerunan ditetapkan kepada 1 untuk mengelakkan kecerunan daripada meletup. Kadar pembelajaran diturunkan selepas 125 zaman dengan mendarab dengan faktor 0.2. Dalam kedua-dua Rajah 6 dan 7, LSTM telah dikemas kini dengan data baharu untuk peramalan siri masa dengan menggunakan nilai ramalan dan nilai keadaan dikemas kini daripada set ujian dan disediakan untuk model untuk ramalan pada langkah masa seterusnya Khususnya, LSTM yang diubah suai menggunakan Ct−1 kepada get input, forget, dan output.

Ini kerana setiap kali LSTM meneruskan, Ct−1 mempengaruhi input, lupa dan output LSTM. Semua ramalan dikumpul dalam set data ujian dan skor ralat dikira untuk meringkaskan kemahiran model. Ralat purata kuasa dua akar (RMSE) digunakan kerana ia menghukum ralat besar dan menghasilkan skor dalam unit yang sama dengan data yang diramalkan, iaitu kelajuan angin sejam.

Di sini, ramalan adalah lebih tepat apabila mengemas kini keadaan rangkaian dengan nilai yang diperhatikan dan bukannya nilai yang diramalkan. Daripada keputusan, diperhatikan bahawa dalam kedua-dua siri Musim Bunga (Mac 2015) dan Musim Panas (Julai 2015) nilai RMSE menurun sebanyak 4.5845 dan 4.9392, masing-masing, apabila menggunakan kemas kini LSTM, dan ini disebabkan oleh ciri-ciri yang berbeza bagi setiap satu.

Dalam kerja ini dan berdasarkan pelbagai kajian terdahulu mengikut model yang berbeza, adalah diperhatikan bahawa ketepatan model ramalan berbeza mengikut ciri-ciri maklumat yang berbeza, dan oleh itu, sehingga kini, tiada model telah dicapai yang berfungsi dengan ketepatan yang sama dengan maklumat yang berbeza. . Jadual 1 menunjukkan ralat untuk dua siri data (Julai 2015) dan (Mac 2015) dalam model LSTM yang dicadangkan menggunakan metrik ralat RMSE.

4. Kesimpulan

Model ramalan yang tepat bagi sumber kelajuan angin adalah perlu untuk menyediakan maklumat penting untuk memperkasakan pengendali grid dan pereka sistem dalam menjana loji kuasa angin optimum dan untuk mengimbangi bekalan dan permintaan dalam pasaran tenaga.

Dalam kajian ini, ingatan jangka pendek panjang (LSTM) yang diubah suai telah dicadangkan untuk meramalkan kelajuan angin. Memandangkan nilai sebenar langkah masa antara ramalan boleh diakses, kelajuan angin diramalkan dengan mengemas kini keadaan rangkaian dalam setiap ramalan menggunakan nilai yang diperhatikan dan bukannya pintu pagar.

Ini kerana setiap kali LSTM diteruskan, keadaan sel mempengaruhi input, lupa dan output LSTM. Keputusan model menunjukkan ketepatan yang lebih baik dalam meramalkan kelajuan angin.

Sumbangan Pengarang: Konseptualisasi, ME; metodologi, SAYA; perisian, ME; pengesahan, ME;analisis formal, ME dan AM; penulisan-Penyediaan draf asal, ME; menulis-Semakan dan menyunting, AM; penyeliaan, AM; pentadbiran projek, AM Semua pengarang telah membaca dan bersetuju dengan versi manuskrip yang diterbitkan.

Pembiayaan: Penyelidikan ini sebahagiannya dibiayai oleh Kementerian Pendidikan Libya, nombor geran 3772.

Penyata Lembaga Semakan Institusi: Tidak berkenaan.

Kenyataan Persetujuan Termaklum: Tidak berkenaan.

Pernyataan Ketersediaan Data: Tidak berkenaan.

Konflik Kepentingan: Pengarang mengisytiharkan tiada konflik kepentingan.

Rujukan

1. Monfared, M.; Rastegar, H.; Kojabadi, HM Strategi baharu untuk ramalan kelajuan angin menggunakan kaedah pintar buatan. Perbaharui.Tenaga 2009, 34, 845–848. [CrossRef]

2. Box, GE; Jenkins, GM; Reinsel, GC; Ljung, Analisis Siri Masa GM: Ramalan dan Kawalan, ed. ke-5; John Wiley & Sons:Hoboken, NJ, Amerika Syarikat, 2015; ms 129–171.

3. Elsaraiti, M.; Merabet, A.; Al-Durra, A. Analisis Siri Masa dan Ramalan Data Kelajuan Angin. Dalam Prosiding Mesyuarat Tahunan Persatuan Aplikasi IEEEI, Baltimore, MD, Amerika Syarikat, 29 September–3 Oktober 2019; ms 1–5.

4. Yadav, AP; Kumar, A.; Behera, L. Ramalan sinaran suria berasaskan RNN menggunakan kadar pembelajaran adaptif. Dalam Persidangan Antarabangsa mengenai Swarm, Evolutionary, and Memetic Computing; Springer: Cham, Switzerland, 2013; ms 442–452.

5. Hochreiter, S.; Schmidhuber, J. Ingatan jangka pendek yang panjang. Komputer Neural. 1997, 9, 1735–1780. [CrossRef] [PubMed]

6. Kumar, D.; Mathur, HD; Bhanot, S.; Bansal, RC Ramalan tenaga suria dan angin menggunakan LSTM RNN untuk kawalan kekerapan beban dalam mikrogrid terpencil. Int. J. Model. Simul. 2020. [CrossRef]

7. Shi, X.; Lei, X.; Huang, Q.; Huang, S.; Ren, K.; Hu, Y. Ramalan kuasa angin ke hadapan setiap jam menggunakan model hibrid penguraian model variasi dan ingatan jangka pendek yang panjang. Tenaga 2018, 11, 3227. [CrossRef]

8. Rodrigues, ER; Oliveira, I.; Cunha, R.; Netto, M. DeepDownscale: Strategi Pembelajaran Mendalam untuk Ramalan Cuaca Resolusi Tinggi. Dalam Prosiding Persidangan Antarabangsa ke-14 IEEE 2018 mengenai e-Sains (e-Sains), Amsterdam, Belanda, 29 Oktober–1 November 2018; IEEE: New York, NY, Amerika Syarikat, 2018; ms 415–422.

9. Chen, N.; Qian, Z.; Nabney, IT; Meng, X. Ramalan kuasa angin menggunakan proses Gaussian dan ramalan cuaca berangka.IEEE Trans. Sistem Kuasa. 2013, 29, 656–665. [CrossRef]

10. Cao, Q.; Ewing, BT; Thompson, MA Meramalkan kelajuan angin dengan rangkaian saraf berulang. Eur. J. Oper. Res. 2012, 221,148–154. [CrossRef]

11. Lydia, M.; Kumar, SS; Selvakumar, AI; Kumar, GE Linear dan model autoregresif bukan linear untuk ramalan kelajuan angin jangka pendek. Penukaran Tenaga. Manag. 2016, 112, 115–124. [CrossRef]

12. Ghaderi, A.; Sanandaji, BM; Ghaderi, F. Ramalan Dalam: Ramalan Spatio-Temporal Berasaskan Pembelajaran Mendalam; Universiti Cornell: Ithaca, NY, Amerika Syarikat, 2017.

For more information:1950477648nn@gmail.com