Toepassing van terugkerende neurale netwerken met langetermijngeheugen om de windsnelheid te voorspellen

Abstract:

Het voorspellen van de windsnelheid is een van de belangrijkste en meest uitdagende problemen bij het voorspellen van windenergie voor de opwekking van elektriciteit. Het lange kortetermijngeheugen werd gebruikt als oplossing voor het kortetermijngeheugen om het probleem aan te pakken van het verdwijnen of exploderen van gradiëntinformatie tijdens het trainingsproces dat het recurrente neurale netwerk (RNN) ervaart bij het bestuderen van tijdreeksen.

Het langetermijngeheugen is onlosmakelijk verbonden met het geheugen. Geheugen is een nogal complex proces waarbij alle aspecten van het menselijk brein betrokken zijn, inclusief sensatie, perceptie, cognitie, implementatie, reactie, enz. Ons doel is om de informatie die we ontvangen op te slaan in het langetermijngeheugen voor later gebruik.

Belangrijk hierbij is het Lange Korte Termijn Geheugen Model (LTM). LTM verwijst naar ons vermogen om verwerkte informatie op te slaan. Dat wil zeggen dat LTM ons helpt informatie uit het kortetermijngeheugen in de hersenen op te slaan. En voor het geheugen is langdurige opslag het ultieme doel.

In ons leven houden veel factoren die een langetermijngeheugen produceren verband met persoonlijke ervaringen en activiteiten. Als u bijvoorbeeld lang genoeg aan een situatie wordt blootgesteld, naar een lezing luistert of uw geheugen verbetert, kunt u het geheugen vergroten.

Het langetermijngeheugenmodel kan eenvoudig als volgt worden uitgelegd: wanneer we voor het eerst een stukje informatie leren, kunnen we het opslaan in het kortetermijngeheugen. Deze informatie wordt een bepaalde tijd bewaard, maar verdwijnt snel. Als we echter diep over deze informatie nadenken of deze in verband brengen met eerdere ervaringen, wordt deze overgebracht naar het langetermijngeheugen.

Daarom is de sleutel tot het verbeteren van ons langetermijngeheugen het houden van onze hersenen actief, positief en creatief denken. We kunnen onze hersenen trainen door boeken te lezen, interactieve spelletjes te spelen, nieuwe dingen te ontdekken en dagboeken te schrijven. Vooral het nauw combineren van leren en ontdekken kan het geheugen beter versterken.

Kortom, de impact van het langetermijn- en kortetermijngeheugenmodel op het geheugen is cruciaal. In het leven en bij het studeren moeten we aandacht besteden aan het geheugen en dit oefenen. Door actief na te denken en te oefenen kunnen we ons langetermijngeheugen voortdurend verbeteren en gemakkelijker en effectiever nieuwe kennis leren. Het is duidelijk dat we ons geheugen moeten verbeteren. Cistanche kan het geheugen aanzienlijk verbeteren omdat het ook de balans van neurotransmitters kan reguleren, zoals het verhogen van de niveaus van acetylcholine en groeifactoren, die erg belangrijk zijn voor het geheugen en het leren. Bovendien kan Cistanche ook de bloedstroom verbeteren en de zuurstoftoevoer bevorderen, wat ervoor kan zorgen dat de hersenen voldoende voeding en energie krijgen, waardoor de vitaliteit en het uithoudingsvermogen van de hersenen worden verbeterd.

Klik op supplementen kennen om het geheugen te verbeteren

In deze studie wordt dit probleem aangepakt door een voorspellingsmodel voor te stellen dat gebaseerd is op lange-kortetermijngeheugen en een diep neuraal netwerk dat is ontwikkeld om de windsnelheidswaarden van meerdere tijdstappen in de toekomst te voorspellen.

De weerdatabase in Halifax, Canada werd gebruikt als bron voor twee reeksen windsnelheden per uur. Er werden twee verschillende seizoenen lente (maart 2015) en zomer (juli 2015) gebruikt voor het trainen en testen van het voorspellingsmodel. De resultaten toonden aan dat het gebruik van het voorgestelde model de nauwkeurigheid van de windsnelheidsvoorspelling effectief kan verbeteren.

Trefwoorden: forecasting; langetermijngeheugen; meerdere tijdreeksen; RNN; windsnelheid.

1. Inleiding

Het voorspellen van de windsnelheid is een zeer moeilijke uitdaging vergeleken met andere variabelen van de atmosfeer, en dit is te wijten aan hun chaotische en intermitterende aard, die problemen veroorzaakt bij de integratie van windenergie in het elektriciteitsnet.

Omdat windsnelheid een van de meest ontwikkelde en goedkoopste groene energiebronnen is, is het nauwkeurig voorspellen op de korte termijn van groot belang geworden en heeft het een beslissende impact op het elektriciteitsnet. Zowel dynamische als statistische methoden, en enkele hybride methoden die de twee methoden koppelen, werden toegepast om de windsnelheid op korte termijn te voorspellen.

Het uitvoeren van numerieke weervoorspellingsmodellen (NWP) met hoge resolutie vereist inzicht in veel van de basisprincipes die deze ondersteunen, waaronder data-assimilatie, kennis over hoe het NWP-model in ruimte en tijd moet worden geschat, en hoe validatie en verificatie van voorspellingen kan worden uitgevoerd. Dit kan kostbaar zijn in termen van rekentijd.

Betrouwbare methoden en technieken voor het voorspellen van de windsnelheid worden steeds belangrijker voor het karakteriseren en voorspellen van windbronnen [1]. Het belangrijkste doel van elke voorspelling is het bouwen, identificeren, afstemmen en valideren van tijdreeksmodellen.

Het voorspellen van tijdreeksen is een van de belangrijkste toegepaste problemen van machinaal leren en kunstmatige intelligentie in het algemeen, omdat de verbetering van voorspellingsmethoden het mogelijk zal maken om het gedrag van verschillende factoren op verschillende gebieden nauwkeuriger te voorspellen. Traditioneel zijn dergelijke modellen gebaseerd op de methoden van statistische analyse en wiskundige modellering die in de jaren zestig en zeventig zijn ontwikkeld [2].

Het ARIMA-model werd gebruikt om de windsnelheid te voorspellen met behulp van algemene foutratio-metingen voor de nauwkeurigheid van de modelvoorspelling [3]. De laatste tijd heeft deep learning in de machine learning-gemeenschap aanzienlijk aan populariteit gewonnen, omdat het wordt beschouwd als een algemeen raamwerk dat de training van diepe neurale netwerken met veel verborgen lagen mogelijk maakt [4].

De beschikbaarheid van grote datasets, gecombineerd met de verbetering van algoritmen en de exponentiële groei van de rekenkracht, leidde tot een ongeëvenaarde golf van belangstelling voor het onderwerp machine learning.

Deze methoden gebruiken alleen historische gegevens om de willekeurige afhankelijkheden tussen het verleden en de toekomst te leren kennen. Tot deze methoden behoren terugkerende neurale netwerken (RNN's) die zijn ontworpen om een ​​reeks gegevens te leren door een verborgen toestand van de ene stap van de reeks naar de volgende te doorlopen, gecombineerd met de invoer, en deze heen en weer tussen de invoer te routeren [5] .

Op het lange-kortetermijngeheugen gebaseerd recurrent neuraal netwerk (LSTM-RNN) is gebruikt om windenergie 1 tot 24 uur vooruit te voorspellen [6]. Er werd een vergelijking gemaakt tussen LSTM, extreme learning machine (ELM) en SVM. De resultaten hebben aangetoond dat deep learning-benaderingen effectiever zijn dan traditionele machine learning-methoden bij het verbeteren van de voorspellingsnauwkeurigheid via de directionele lus neurale netwerkstructuur en een speciale verborgen eenheid [7]. Studies hebben gesuggereerd dat het koppelen van NWP-modellen en kunstmatige neurale netwerken gunstig zou kunnen zijn en een betere nauwkeurigheid zou kunnen bieden in vergelijking met conventionele downscaling-methoden van het NWP-model [8].

De numerieke weervoorspellingsmethode (NWP) is een van de meest gebruikte methoden en is vanwege de grote hoeveelheid berekeningen eerder geschikt voor voorspellingen op de lange termijn dan op de korte en middellange termijn [9]. Er is een analyse uitgevoerd van de nauwkeurigheid van de windsnelheidsvoorspellingen van de terugkerende neurale netwerkmodellen, en deze hebben betere resultaten opgeleverd vergeleken met de univariate en multivariate ARIMA-modellen [10].

Er zijn lineaire en niet-lineaire autoregressieve modellen met en zonder externe variabelen ontwikkeld om de windsnelheid op korte termijn te voorspellen. Drie prestatiestatistieken, MAE, RMSE enMAPE, werden gebruikt om de nauwkeurigheid van de modellen te meten [11].

De LSTM-methode werd gebruikt om de windsnelheid te voorspellen en de resultaten werden vergeleken met traditionele kunstmatige neurale netwerken en autoregressieve geïntegreerde voortschrijdend gemiddelde modellen. De voorgestelde methode bleek betere resultaten te geven [12]. Het Long Term Memory Model (LSTM) werd gebruikt om de spatio-temporele windsnelheidsvoorspellingen voor vijf locaties op korte termijn te berekenen, met behulp van tweejaarlijkse gegevens voor historische windsnelheid en autoregressie.

Het model had tot doel de nauwkeurigheid van de voorspellingen op een kortere tijdshorizon te verbeteren. Door bijvoorbeeld LSTM gedurende twee of drie uur te gebruiken, kunnen horizonten worden voorspeld die zich tot vijftien dagen kunnen uitstrekken met behulp van een NWP-model dat zichzelf bijwerkt met een frequentie van doorgaans zes uur [13]. De trainingssnelheid van RNN's voor het voorspellen van multivariate tijdreeksen is meestal relatief langzaam, vooral bij gebruik met een grote netwerkdiepte.

Onlangs heeft een verscheidenheid aan RNN, het langetermijngeheugen (LSTM), de voorkeur gekregen vanwege de superieure prestaties tijdens de trainingsfase door het beter oplossen van verdwijnende en exploderende gradiëntproblemen van de standaard RNN-architectuur [14,15].

Modellen voor langetermijngeheugen (LSTM) en temporele convolutionele netwerken (TCN) werden voorgesteld voor datagestuurde lichtgewichtweersvoorspellingen, en hun prestaties werden vergeleken met klassieke machine learning-benaderingen (standaardregressie (SR), support vectorregressie (SVR), willekeurig bos ( RF)), statistische machine learning-benaderingen (autoregressief geïntegreerd voortschrijdend gemiddelde (ARIMA), vector autoregressie (VAR) en vectorfoutcorrectiemodel (VECM)), en dynamische ensemblemethode (Arbitrage of forecasting expert (AFE)).

De resultaten van het voorgestelde model demonstreren zijn vermogen om effectief en nauwkeurig weer te voorspellen [16]. Ondanks de voortdurende ontwikkeling van onderzoek naar het LSTM-algoritme voor langetermijnvoorspellingen van windsnelheid, heeft het traditionele RNN-algoritme voor voorspellingen nog steeds de voorkeur in het meeste onderzoek.

In dit artikel is de nadruk gelegd op de toepassing van het LSTMalgoritme op het gebied van het voorspellen van windsnelheid en werd een vergelijking tussen de voorspellingsefficiëntie en nauwkeurigheid van het algoritme onder verschillende windsnelheidstijdreeksen gebruikt voor training en testen.

2. Methodologie en gegevensbron

2.1. Gegevensbronnen

In deze studie werd het voorgestelde model alleen geïmplementeerd voor kortetermijnvoorspellingen van de windsnelheid om de hoge rekentijd van het dynamisch terugschalen te vermijden door gebruik te maken van NWP-modellen zoals het Weather Research and Forecasting Model (WRF). Windsnelheidsgegevens van het Halifax Dockyard station in Nova Scotia, gelegen op breedtegraad 44.66◦ N, lengtegraad 63.58◦ W.

De windsnelheid werd gemeten op een hoogte van 3,80 m en werd gebruikt als bron voor twee verschillende seizoenen, lente (maart 2015) en zomer (juli 2015), zoals weergegeven in figuur 1.

Voor beide seizoenen werden de gegevens geregistreerd op elk uur, respectievelijk (576 metingen/24 dagen) als observaties en (168 metingen/7 dagen), respectievelijk als de trainings- en testgroepen. De voorgestelde LSTM-implementatie past goed bij de tijdreeksdataset, die kan de convergentienauwkeurigheid van het trainingsproces verbeteren.

2.2. Terugkerende neurale netwerken

Recurrente neurale netwerken (RNN's) zijn sequentiële data-neurale netwerken waarvan het doel is om de volgende stap in een reeks observaties te voorspellen ten opzichte van eerdere stappen in dezelfde reeks.

RNN's bevatten verborgen lagen die over de tijd zijn verspreid, waardoor ze informatie kunnen opslaan die is verkregen in eerdere stadia van het lezen van seriële gegevens. De windsnelheid is afhankelijk van de korte en lange termijn.

Het eenvoudige RNN-model kan niet omgaan met langdurige afhankelijkheden. Eén probleem dat voortkomt uit het ontvouwen van een RNN is dat de gradiënt van sommige gewichten te klein of te groot begint te worden als het netwerk gedurende te veel tijdstappen wordt ontvouwen.

Dit fenomeen wordt het verdwijnendegradiëntenprobleem genoemd en kan alleen kortetermijngeheugen opslaan omdat het alleen de functies omvat van het activeren van de verborgen laag van de vorige tijdstap en dit veroorzaakt het verlies van informatie op de lange termijn [17,18].

Een type netwerkarchitectuur dat dit probleem oplost is de LSTM. In een typische implementatie wordt de verborgen laag vervangen door een complex blok rekeneenheden, samengesteld uit poorten die de fout in het blok opvangen en een zogenaamde "foutcarrousel" vormen [5]. Figuur 2 toont de RNN-structuur waarbij de uitvoer van de eerder verborgen laag wordt ingevoerd in de huidige verborgen laag. Het RNN-model wordt uitgedrukt door

2.2. Terugkerende neurale netwerken

Recurrente neurale netwerken (RNN's) zijn sequentiële data-neurale netwerken waarvan het doel is om de volgende stap in een reeks observaties te voorspellen ten opzichte van eerdere stappen in dezelfde reeks. RNN's bevatten verborgen lagen die over de tijd zijn verspreid, waardoor ze informatie kunnen opslaan die is verkregen in eerdere stadia van het lezen van seriële gegevens. De windsnelheid is afhankelijk van de korte en lange termijn.

Het eenvoudige RNN-model kan niet omgaan met langdurige afhankelijkheden. Eén probleem dat voortkomt uit het ontvouwen van een RNN is dat de gradiënt van sommige gewichten te klein of te groot begint te worden als het netwerk gedurende te veel tijdstappen wordt ontvouwen. Dit fenomeen wordt het verdwijnendegradiëntenprobleem genoemd en kan alleen kortetermijngeheugen opslaan omdat het alleen de functies omvat van het activeren van de verborgen laag van de vorige tijdstap en dit veroorzaakt het verlies van informatie op de lange termijn [17,18].

Een type netwerkarchitectuur dat dit probleem oplost is de LSTM. In een typische implementatie wordt de verborgen laag vervangen door een complex blok rekeneenheden, samengesteld uit poorten die de fout in het blok opvangen en een zogenaamde "foutcarrousel" vormen [5]. Figuur 2 toont de RNN-structuur waarbij de uitvoer van de eerder verborgen laag wordt ingevoerd in de huidige verborgen laag.

Het RNN-model wordt uitgedrukt door waar het de invoer is, dit is de statuswaarde van de verborgen laag, het wordt gewaardeerd op de uitvoerlaag op tijdstip t, waarom is het gewicht van de invoerlaag, waarom is het gewicht voor de vertraagde uitvoer op tijdstip t − 1 is tanh de hyperbolische tangens als de activeringsfunctie op de verborgen laag, en σ is de sigmoïdefunctie als de activeringsfunctie op de uitvoerlaag.

2.3. Langetermijngeheugen

Langetermijngeheugennetwerken zijn een soort terugkerend neuraal netwerk (RNN) dat is ontworpen om het probleem van langdurige afhankelijkheid te vermijden, waarbij elk neuron een geheugencel bevat die in staat is de eerdere informatie die door het RNN wordt gebruikt op te slaan of deze indien nodig te vergeten [19]. . Momenteel wordt het met succes veel gebruikt bij voorspellingsproblemen met tijdreeksen.

LSTM-RNN is ontworpen vanuit een geheugencel die afhankelijkheden op de lange termijn opslaat. Naast de geheugencel bevat de LSTM-cel een ingangspoort, uitgangspoort en vergeetpoort.

Elke poort in de cel ontvangt de huidige invoer tx, de verborgen status ht−1 op het vorige moment en de statusinformatie Ct−1 van het interne geheugen van de cel om verschillende bewerkingen uit te voeren en te bepalen of deze moet worden geactiveerd met behulp van een logische functie. De status ht van de eenheid, de uitvoer op tijdstip t en de verborgen invoerstatus op tijdstip t1 worden bepaald door het niet-lineair activeren van tanh ( ) en de informatie van de uitvoerpoort.

3. Resultaten en discussie

In deze studie werd MATLAB-software (R2019b) gebruikt voor het trainingsproces van de LSTM, een geavanceerde architectuur voor RNN om de waarden van toekomstige tijdstappen van een reeks te voorspellen. Het sequentieregressienetwerk is getraind op de LSTM-reeks, waarbij reacties trainingsreeksen zijn met veranderende waarden in één tijdstap.

Dat wil zeggen dat het LSTM-netwerk voor elke tijdstap van de invoerreeks leert de waarde van de volgende tijdstap te voorspellen. Om de effectiviteit en toepasbaarheid van het voorgestelde model uitgebreid en systematisch te evalueren, werden in dit werk twee reeksen gegevens geselecteerd voor de windsnelheid voor twee verschillende seizoenen vanwege hun verschillende klimatologische kenmerken, namelijk lente (maart 2015) en zomer (juli 2015). ).

Elke gegevensreeks werd verdeeld in respectievelijk 1–576 (24 dagen) als observaties en 577–744 (7 dagen) als de trainings- en testgroepen. Trainingsgegevens zijn gestandaardiseerd zodat ze op het voorspellingstijdstip een gemiddelde en eenheidsvariantie van nul hebben om te voorkomen dat de training uiteenloopt. De beste trainingsparameter om de laagste RMSE te verkrijgen wordt gevonden met een initiële leersnelheid van 0.005.

Figuren 4 en 5 tonen de vergelijking van waargenomen waarden met voorspelde waarden van windsnelheidsreeksen per uur verzameld in respectievelijk de lente (1-31 maart 2015) en de zomer (1-31 juli 2015), voor evaluatie van de LSTM, die één keer werd getraind (de waarde van de vorige voorspelling) en hergebruikt om elke tijdstap tussen voorspellingen te voorspellen, wat wordt weergegeven door de vergelijkingen (2)–(4). Dit betekent dat er geen updates worden uitgevoerd zodra het model voor het eerst aan de trainingsgegevens voldoet, en het model wordt in dit geval het vaste model genoemd omdat er geen updates zijn.

Er zijn LSTM-netwerktrainingsopties geselecteerd voor 200 verborgen modules. De initiële leersnelheid is 0,005 en het maximale aantal iteraties is vastgesteld op 250. De gradiëntdrempel is ingesteld op 1 om te voorkomen dat de gradiënten exploderen. Het leertempo wordt na 125 tijdperken verlaagd door te vermenigvuldigen met een factor 0,2. In zowel figuren 6 als 7 is de LSTM bijgewerkt met nieuwe gegevens voor de tijdreeksvoorspellingen door gebruik te maken van de voorspelde waarden en de bijgewerkte statuswaarden uit de testset en beschikbaar gemaakt voor het model voor de voorspelling voor de volgende tijdstap. Speciaal heeft de aangepaste LSTM Ct−1 overgenomen voor de invoer-, vergeet- en uitvoerpoorten.

Dit komt omdat elke keer dat de LSTM doorgaat, Ct−1 de invoer, het vergeten en de uitvoer van de LSTM beïnvloedt. Alle voorspellingen worden verzameld in de testgegevensset en er wordt een foutscore berekend om de vaardigheden van het model samen te vatten. De root mean square error (RMSE) wordt gebruikt omdat deze grote fouten bestraft en resulteert in een score in dezelfde eenheden als de voorspelde gegevens, namelijk de windsnelheid per uur.

Hier zijn de voorspellingen nauwkeuriger bij het bijwerken van de netwerkstatus met de waargenomen waarden in plaats van de voorspelde waarden. Uit de resultaten blijkt dat in de series Spring (maart 2015) en Summer (juli 2015) de waarde van RMSE met respectievelijk 4,5845 en 4,9392 daalde bij gebruik van de LSTM-update, en dit is te wijten aan de verschillende kenmerken van beide.

In dit werk en op basis van verschillende eerdere onderzoeken volgens verschillende modellen, wordt opgemerkt dat de nauwkeurigheid van voorspellingsmodellen verschilt afhankelijk van de verschillende kenmerken van de informatie, en daarom is er tot nu toe geen model bereikt dat met dezelfde nauwkeurigheid werkt met verschillende informatie. . Tabel 1 toont de fouten voor de twee gegevensreeksen (juli 2015) en (maart 2015) in het voorgestelde LSTM-model met behulp van de RMSE-foutmetrieken.

4. Conclusies

Een accuraat voorspellingsmodel van windsnelheidsbronnen is noodzakelijk om essentiële informatie te verschaffen om netbeheerders en systeemontwerpers in staat te stellen een optimale windenergiecentrale te genereren en om vraag en aanbod op de energiemarkt in evenwicht te brengen.

In dit onderzoek is een aangepast langetermijngeheugen (LSTM) voorgesteld om de windsnelheid te voorspellen. Omdat toegang kan worden verkregen tot de werkelijke waarde van de tijdstappen tussen voorspellingen, wordt de windsnelheid voorspeld door de netwerkstatus in elke voorspelling bij te werken met behulp van de waargenomen waarde in plaats van de poorten.

Dit komt omdat elke keer dat de LSTM doorgaat, de celstatus de invoer, het vergeten en de uitvoer van de LSTM beïnvloedt. De resultaten van het model lieten een verbeterde nauwkeurigheid zien bij het voorspellen van de windsnelheid.

Auteursbijdragen: Conceptualisatie, ME; methodologie, IK; software, ME; validatie, ME;formele analyse, ME en AM; schrijven-Originele conceptvoorbereiding, ME; schrijven-recensie en redactie, AM; toezicht, AM; projectadministratie, AM Alle auteurs hebben de gepubliceerde versie van het manuscript gelezen en ermee ingestemd.

Financiering: Dit onderzoek werd gedeeltelijk gefinancierd door het Libische Ministerie van Onderwijs, subsidienummer 3772.

Verklaring van de Institutional Review Board: Niet van toepassing.

Verklaring van geïnformeerde toestemming: Niet van toepassing.

Verklaring over beschikbaarheid van gegevens: Niet van toepassing.

Belangenverstrengeling: De auteurs verklaren geen belangenverstrengeling.

Referenties

1. Monfared, M.; Rastegar, H.; Kojabadi, HM Een nieuwe strategie voor het voorspellen van windsnelheid met behulp van kunstmatige intelligente methoden. Vernieuw Energie 2009, 34, 845–848. [Kruisref]

2. Doos, GE; Jenkins, algemeen directeur; Reinsel, GC; Ljung, GM Tijdreeksanalyse: Forecasting and Control, 5e druk; John Wiley & Sons: Hoboken, NJ, VS, 2015; blz. 129–171.

3. Elsaraiti, M.; Merabet, A.; Al-Durra, A. Tijdreeksanalyse en voorspelling van windsnelheidsgegevens. In Proceedings of the IEEEIndustry Applications Society Annual Meeting, Baltimore, MD, VS, 29 september – 3 oktober 2019; blz. 1–5.

4. Yadav, AP; Kumar, A.; Behera, L. Op RNN gebaseerde voorspelling van zonnestraling met behulp van adaptieve leersnelheid. In de Internationale Conferentie over Swarm, Evolutionary, and Memetic Computing; Springer: Cham, Zwitserland, 2013; blz. 442-452.

5. Hochreiter, S.; Schmidhuber, J. Lang kortetermijngeheugen. Neurale computer. 1997, 9, 1735–1780. [Kruisref] [PubMed]

6. Kumar, D.; Mathur, HD; Bhanot, S.; Bansal, RC Voorspelling van zonne- en windenergie met behulp van LSTM RNN voor belastingsfrequentiecontrole in een geïsoleerd microgrid. Int. J. Model. Simul. 2020. [Kruisref]

7. Shi, X.; Lei, X.; Huang, Q.; Huang, S.; Ren, K.; Hu, Y. Voorspelling van windenergie per uur, met behulp van het hybride model van decompositie van variatiemodellen en het langetermijngeheugen. Energieën 2018, 11, 3227. [Kruisref]

8. Rodrigues, SEH; Oliveira, ik; Cunha, R.; Netto, M. DeepDownscale: een diepgaande leerstrategie voor weersvoorspellingen met hoge resolutie. In Proceedings of the 2018 IEEE 14th International Conference on e-Science (e-Science), Amsterdam, Nederland, 29 oktober – 1 november 2018; IEEE: New York, NY, VS, 2018; blz. 415–422.

9. Chen, N.; Qian, Z.; Nabney, IT; Meng, X. Windenergievoorspellingen met behulp van Gaussiaanse processen en numerieke weersvoorspelling.IEEE Trans. Voedingssysteem. 2013, 29, 656–665. [Kruisref]

10. Cao, Q.; Ewing, BT; Thompson, MA Voorspelling van windsnelheid met terugkerende neurale netwerken. Eur. J. Oper. Res. 2012, 221.148–154. [Kruisref]

11. Lydia, M.; Kumar, SS; Selvakumar, AI; Kumar, GE Lineaire en niet-lineaire autoregressieve modellen voor windsnelheidsvoorspellingen op korte termijn. Energieconversies. Beheer. 2016, 112, 115–124. [Kruisref]

12. Ghaderi, A.; Sanandaji, BM; Ghaderi, F. Diepe voorspelling: op diepgaand leren gebaseerde spatio-temporele prognoses; Cornell Universiteit: Ithaca, NY, VS, 2017.

For more information:1950477648nn@gmail.com