Cymhwyso Rhwydweithiau Niwral Rheolaidd Cof Hirdymor I Ragweld Cyflymder Gwynt

Crynodeb:

Rhagfynegi cyflymder gwynt yw un o'r problemau pwysicaf a mwyaf heriol wrth ragweld ynni gwynt ar gyfer cynhyrchu trydan. Defnyddiwyd cof tymor byr hir fel ateb i gof tymor byr i fynd i'r afael â phroblem diflaniad neu ffrwydrad gwybodaeth graddiant yn ystod y broses hyfforddi a brofir gan y rhwydwaith niwral cylchol (RNN) pan gaiff ei ddefnyddio i gyfresi amser astudio.

Mae cof hirdymor yn anwahanadwy oddi wrth y cof. Mae cof yn broses eithaf cymhleth sy'n cynnwys pob agwedd ar yr ymennydd dynol, gan gynnwys teimlad, canfyddiad, gwybyddiaeth, gweithredu, adwaith, ac ati Ein nod yw storio'r wybodaeth a gawn mewn cof hirdymor i'w ddefnyddio'n ddiweddarach.

Mae'r Model Cof Tymor Byr Hir (LTM) yn bwysig yn y broses hon. Mae LTM yn cyfeirio at ein gallu i storio gwybodaeth sydd wedi'i phrosesu. Hynny yw, mae LTM yn ein helpu i storio gwybodaeth o'r cof tymor byr i'r ymennydd. Ac ar gyfer cof, storio hirdymor yw'r nod yn y pen draw.

Yn ein bywydau, mae llawer o ffactorau sy'n cynhyrchu cof hirdymor yn gysylltiedig â phrofiad a gweithgareddau personol. Er enghraifft, gall dod i gysylltiad â sefyllfa am amser digon hir, gwrando ar ddarlith, neu wella sgiliau cof gynyddu'r cof.

Gellir esbonio'r Model Cof Hirdymor yn syml fel a ganlyn: Pan fyddwn yn dysgu darn o wybodaeth gyntaf, gallwn ei storio yn y cof tymor byr. Bydd y wybodaeth hon yn cael ei storio am amser penodol, ond bydd yn diflannu'n gyflym. Fodd bynnag, os ydym yn meddwl yn ddwfn am y wybodaeth hon neu'n ei gysylltu â phrofiadau blaenorol, caiff ei drosglwyddo i gof hirdymor.

Felly, yr allwedd i wella ein cof hirdymor yw cadw ein hymennydd yn egnïol, yn gadarnhaol ac yn greadigol. Gallwn ymarfer ein hymennydd trwy ddarllen llyfrau, chwarae gemau rhyngweithiol, archwilio pethau newydd, ac ysgrifennu dyddiaduron. Yn benodol, gall cyfuno dysgu ac archwilio yn agos gryfhau'r cof yn well.

Yn fyr, mae effaith y model cof tymor hir a thymor byr ar y cof yn hollbwysig. Mewn bywyd ac astudio, mae angen inni roi sylw i gof ac ymarfer. Trwy feddwl yn weithredol ac ymarfer corff, gallwn wella ein gallu cof hirdymor yn barhaus a dysgu gwybodaeth newydd yn haws ac yn fwy effeithiol. Gellir gweld bod angen i ni wella ein cof. Gall Cistanche wella cof yn sylweddol oherwydd gall hefyd reoleiddio cydbwysedd niwrodrosglwyddyddion, megis cynyddu lefelau acetylcholine a ffactorau twf, sy'n bwysig iawn ar gyfer cof a dysgu. Yn ogystal, gall Cistanche hefyd wella llif y gwaed a hyrwyddo darpariaeth ocsigen, a all sicrhau bod yr ymennydd yn cael digon o faeth ac egni, a thrwy hynny wella bywiogrwydd a dygnwch yr ymennydd.

Cliciwch gwybod atchwanegiadau i wella cof

Yn yr astudiaeth hon, eir i'r afael â'r broblem hon trwy gynnig model rhagfynegi yn seiliedig ar gof tymor byr a rhwydwaith niwral dwfn a ddatblygwyd i ragweld gwerthoedd cyflymder gwynt o gamau amser lluosog yn y dyfodol.

Defnyddiwyd y gronfa ddata tywydd yn Halifax, Canada fel ffynhonnell dwy gyfres o gyflymder gwynt yr awr. Defnyddiwyd dau dymor gwahanol, gwanwyn (Mawrth 2015) a haf (Gorffennaf 2015) ar gyfer hyfforddi a phrofi'r model rhagweld. Dangosodd y canlyniadau y gall y defnydd o'r model arfaethedig wella cywirdeb rhagfynegiad cyflymder gwynt yn effeithiol.

Geiriau allweddol: rhagweld; cof tymor hir; cyfresi amser lluosog; RNN; cyflymder y gwynt.

1. Rhagymadrodd

Mae rhagweld cyflymder gwynt yn her anodd iawn o gymharu â newidynnau eraill y theatr, ac mae hyn oherwydd eu natur anhrefnus ac ysbeidiol sy'n achosi anhawster wrth integreiddio pŵer gwynt i'r grid.

Gan fod cyflymder gwynt yn un o'r ffynonellau ynni gwyrdd mwyaf datblygedig a rhataf, mae ei ragfynegi'n gywir yn y tymor byr wedi dod yn fater pwysig ac mae'n cael effaith bendant ar y grid trydan. Defnyddiwyd dulliau deinamig ac ystadegol, a rhai dulliau hybrid sy'n cyplysu'r ddau ddull, i ragweld cyflymder gwynt tymor byr.

Mae rhedeg modelau rhagfynegi tywydd rhifiadol (HGC) cydraniad uchel yn gofyn am ddealltwriaeth o lawer o’r egwyddorion sylfaenol sy’n eu cefnogi, gan gynnwys cymhathu data, gwybodaeth am sut i amcangyfrif model HGC mewn gofod ac amser, a sut i berfformio dilysu a gwirio rhagolygon. Gall hyn fod yn gostus o ran amser cyfrifiannol.

Mae dulliau a thechnegau dibynadwy ar gyfer rhagweld cyflymder gwynt yn dod yn fwyfwy pwysig ar gyfer nodweddu a rhagweld adnoddau gwynt [1]. Prif bwrpas unrhyw ragolwg yw adeiladu, nodi, tiwnio a dilysu modelau cyfres amser.

Rhagfynegi cyfres amser yw un o'r problemau cymhwysol pwysicaf ym maes dysgu peiriannau a deallusrwydd artiffisial yn gyffredinol, oherwydd bydd gwella dulliau rhagweld yn ei gwneud hi'n bosibl rhagweld ymddygiad gwahanol ffactorau mewn meysydd difater yn fwy cywir. Yn draddodiadol, mae modelau o'r fath yn seiliedig ar ddulliau dadansoddi ystadegol a modelu mathemategol a ddatblygwyd yn y 1960au a'r 1970au [2].

Defnyddiwyd model ARIMA i ragweld cyflymder gwynt gan ddefnyddio mesurau cymarebau gwallau cyffredin ar gyfer cywirdeb rhagfynegiad model [3]. Yn ddiweddar, mae dysgu dwfn yn y gymuned dysgu peiriannau wedi ennill poblogrwydd sylweddol gan ei fod yn cael ei ystyried yn fframwaith cyffredinol sy'n hwyluso hyfforddiant rhwydweithiau niwral dwfn gyda llawer o haenau cudd [4].

Arweiniodd argaeledd setiau data mawr ynghyd â’r gwelliant mewn algorithmau a’r twf esbonyddol mewn pŵer cyfrifiadura at ymchwydd digyffelyb mewn diddordeb ym mhwnc dysgu peirianyddol.

Mae'r dulliau hyn yn defnyddio data hanesyddol yn unig i ddysgu'r dibyniaethau ar hap rhwng y gorffennol a'r dyfodol. Ymhlith y dulliau hyn, mae rhwydweithiau niwral cylchol (RNNs) sydd wedi'u cynllunio i ddysgu dilyniant o ddata trwy groesi cyflwr cudd o un cam o'r dilyniant i'r nesaf, wedi'i gyfuno â'r mewnbwn, a'i lwybro yn ôl ac ymlaen rhwng y mewnbynnau [5] .

Defnyddiwyd rhwydwaith niwral cylchol tymor byr hir (LSTM-RNN) i ragweld pŵer gwynt 1 i 24 h ymlaen [6]. Gwnaed cymhariaeth rhwng LSTM, peiriant dysgu eithafol (ELM), a SVM. Mae'r canlyniadau wedi dangos bod dulliau dysgu dwfn yn fwy effeithiol na dulliau dysgu peiriant traddodiadol wrth wella cywirdeb rhagfynegiad trwy strwythur rhwydwaith niwral dolen gyfeiriadol ac uned gudd arbennig [7]. Mae astudiaethau wedi awgrymu y gallai cyplu modelau HGC a rhwydweithiau niwral artiffisial fod yn fuddiol a darparu gwell cywirdeb o'i gymharu â dulliau confensiynol o leihau graddfa modelau NWP [8].

Dull rhagfynegi tywydd rhifiadol (HGC) yw un o'r dulliau a ddefnyddir fwyaf, ac mae'n addas ar gyfer rhagolygon tymor hir yn hytrach na thymor byr a thymor canolig oherwydd y swm mawr o gyfrifiannu [9]. Bu dadansoddiad o gywirdeb rhagolygon cyflymder gwynt y modelau rhwydwaith niwral cylchol, ac maent wedi cyflwyno canlyniadau gwell o gymharu â modelau ARIMA unamrywedd ac aml-amrywedd [10].

Datblygwyd modelau atchweliadol llinol ac aflinol gyda newidynnau allanol a hebddynt i ragweld cyflymder gwynt tymor byr. Defnyddiwyd tri metrig perfformiad, MAE, RMSE aMAPE i fesur cywirdeb y modelau [11].

Defnyddiwyd dull LSTM i ragfynegi cyflymder y gwynt a chymharwyd y canlyniadau â rhwydwaith niwral artiffisial traddodiadol a modelau cyfartaledd symudol integredig modurol, roedd y dull arfaethedig yn arwain at ganlyniadau gwell [12]. Gwnaethpwyd Model Cof Hirdymor (LSTM) i ragfynegi cyflymder gofodol-dymherol tymor byr ar gyfer pum lleoliad gan ddefnyddio data dwy flynedd ar gyfer cyflymder gwynt hanesyddol ac atchweliad ceir.

Nod y model oedd gwella cywirdeb y rhagolygon ar gyfer cyfnod byrrach. Er enghraifft, gall defnyddio LSTM am ddwy neu dair awr ragweld gorwelion yn ymestyn hyd at bymtheg diwrnod gan ddefnyddio model HGC sy'n diweddaru ei hun yn nodweddiadol gydag amlder o chwe awr [13]. Mae cyflymder hyfforddi RNNs ar gyfer rhagfynegi cyfresi amser aml-amrywedd fel arfer yn gymharol araf yn enwedig pan gaiff ei ddefnyddio gyda dyfnder rhwydwaith mawr.

Yn ddiweddar, mae amrywiaeth o RNN a elwir yn gof hirdymor (LSTM) wedi'i ffafrio oherwydd ei berfformiad uwch yn ystod y cyfnod hyfforddi trwy ddatrys problemau graddiant sy'n diflannu ac yn ffrwydro o bensaernïaeth RNN safonol [14,15] yn well.

Cynigiwyd modelau cof tymor byr hir (LSTM) a rhwydweithiau troellol amser (TCN) ar gyfer rhagolygon tywydd ysgafn a yrrir gan ddata, a chymharwyd eu perfformiad â dulliau dysgu peiriant clasurol (atchweliad safonol (SR), atchweliad fector cymorth (SVR), coedwig ar hap ( RF), dulliau dysgu peiriant ystadegol (cyfartaledd symud integredig Autoregressive (ARIMA), atchweliad auto fector (VAR), a model cywiro gwall fector (VECM)), a dull ensemble deinamig (Arbitrage of predicting expert (AFE)).

Mae canlyniadau'r model arfaethedig yn dangos ei allu i ragfynegi tywydd effeithiol a chywir [16]. Er gwaethaf datblygiad parhaus ymchwil ar yr algorithm LSTM mewn rhagfynegiad hirdymor o gyflymder gwynt, mae'r algorithm RNN traddodiadol ar gyfer rhagfynegi yn dal i fod yn well yn y rhan fwyaf o ymchwil.

Yn y papur hwn, mae pwyslais wedi'i roi ar gymhwyso'r LSTMalgorithm ym maes rhagweld cyflymder gwynt a defnyddiwyd cymhariaeth rhwng rhagfynegiad a chywirdeb yr algorithm o dan wahanol gyfresi amser cyflymder gwynt ar gyfer hyfforddi a phrofi.

2. Methodoleg a Ffynhonnell Data

2.1. Ffynonellau Data

Yn yr astudiaeth hon, dim ond ar gyfer rhagweld cyflymder gwynt yn y tymor byr y gweithredwyd y model arfaethedig er mwyn osgoi'r amser cyfrifiannol uchel o wneud israddio deinamig trwy ddefnyddio modelau HGC fel y Model Ymchwil a Rhagweld Tywydd (WRF). Data cyflymder gwynt o orsaf Iard Longau Halifax yn Nova Scotia, sydd wedi'i lleoli ar lledred 44.66◦ N, Hydred 63.58◦ W.

Mesurwyd cyflymder y gwynt ar uchder o 3.80 m, ac fe'i defnyddiwyd fel ffynhonnell ar gyfer dau dymor gwahanol, y gwanwyn (Mawrth 2015) a'r haf (Gorffennaf 2015), fel y dangosir yn Ffigur 1.

Ar gyfer y ddau dymor, mae'r data a gofnodwyd bob awr, (576 darlleniad/24 diwrnod) arsylwadau a (168 darlleniad/7 diwrnod), yn y drefn honno, fel y grwpiau hyfforddi a phrofi. Mae'r gweithredu LSTM arfaethedig yn cyd-fynd yn dda â set ddata'r gyfres amser, sy'n yn gallu gwella cywirdeb cydgyfeiriant y broses hyfforddi.

2.2. Rhwydweithiau Niwral Cylchol

Mae rhwydweithiau niwral cylchol (RNNs) yn rwydweithiau niwral data dilyniannol a'u pwrpas yw rhagfynegi'r cam nesaf mewn dilyniant o arsylwadau o'i gymharu â chamau blaenorol yn yr un dilyniant.

Mae RNNs yn cynnwys haenau cudd wedi'u dosbarthu dros amser, sy'n caniatáu iddynt storio gwybodaeth a gafwyd yn ystod camau blaenorol darllen data cyfresol. Mae cyflymder gwynt yn dibynnu ar y tymor byr a'r tymor hir.

Nid yw'r model RNN syml yn gallu delio â dibyniaethau hirdymor. Un broblem sy'n deillio o ddatblygiad RNN yw bod graddiant rhai o'r pwysau yn dechrau mynd yn rhy fach neu'n rhy fawr os yw'r rhwydwaith yn datblygu am ormod o gamau amser.

Gelwir y ffenomen hon yn broblem graddiant diflannu, a gall storio cof tymor byr yn unig oherwydd ei fod yn cynnwys swyddogaethau gweithredu haen gudd y cam amser blaenorol yn unig ac mae hyn yn achosi colli gwybodaeth yn y tymor hir [17,18].

Math o bensaernïaeth rhwydwaith sy'n datrys y broblem hon yw'r LSTM. Mewn gweithrediad nodweddiadol, mae'r haen gudd yn cael ei disodli gan floc cymhleth o unedau cyfrifiadurol wedi'i gyfansoddi gan gatiau sy'n dal y gwall yn y bloc, gan ffurfio "carwsél gwall" fel y'i gelwir [5]. Mae Ffigur 2 yn dangos y strwythur RNN lle mae allbwn yr haen a guddiwyd yn flaenorol yn cael ei fewnbynnu i'r haen gudd gyfredol. Mynegir y model RNN gan

2.2. Rhwydweithiau Niwral Cylchol

Mae rhwydweithiau niwral cylchol (RNNs) yn rwydweithiau niwral data dilyniannol a'u pwrpas yw rhagfynegi'r cam nesaf mewn dilyniant o arsylwadau o'i gymharu â chamau blaenorol yn yr un dilyniant. Mae RNNs yn cynnwys haenau cudd wedi'u dosbarthu dros amser, sy'n caniatáu iddynt storio gwybodaeth a gafwyd yn ystod camau blaenorol darllen data cyfresol. Mae cyflymder gwynt yn dibynnu ar y tymor byr a'r tymor hir.

Nid yw'r model RNN syml yn gallu delio â dibyniaethau hirdymor. Un broblem sy'n deillio o ddatblygiad RNN yw bod graddiant rhai o'r pwysau yn dechrau mynd yn rhy fach neu'n rhy fawr os yw'r rhwydwaith yn datblygu am ormod o gamau amser. Gelwir y ffenomen hon yn broblem graddiant diflannu, a gall storio cof tymor byr yn unig oherwydd ei fod yn cynnwys swyddogaethau gweithredu haen gudd y cam amser blaenorol yn unig ac mae hyn yn achosi colli gwybodaeth yn y tymor hir [17,18].

Math o bensaernïaeth rhwydwaith sy'n datrys y broblem hon yw'r LSTM. Mewn gweithrediad nodweddiadol, mae'r haen gudd yn cael ei disodli gan floc cymhleth o unedau cyfrifiadurol wedi'i gyfansoddi gan gatiau sy'n dal y gwall yn y bloc, gan ffurfio "carwsél gwall" fel y'i gelwir [5]. Mae Ffigur 2 yn dangos y strwythur RNN lle mae allbwn yr haen a guddiwyd yn flaenorol yn cael ei fewnbynnu i'r haen gudd gyfredol.

Mae'r model RNN yn cael ei fynegi gan ble mae'r mewnbwn, sef gwerth cyflwr yr haen gudd, mae'n cael ei brisio ar yr amser haen allbwn t, pam mae'r pwysau o'r haen mewnbwn, pam mae'r pwysau ar gyfer yr allbwn oedi ar amser t - 1, tanh yw'r tangiad hyperbolig fel y swyddogaeth activation yn yr haen gudd, aσ yw'r swyddogaeth sigmoid fel y swyddogaeth activation yn yr haen allbwn.

2.3. Cof Tymor Byr Hir

Mae rhwydweithiau cof tymor byr hir yn fath o rwydwaith niwral cylchol (RNN) a gynlluniwyd i osgoi problem dibyniaeth hirdymor, lle mae pob niwron yn cynnwys cell cof sy'n gallu storio'r wybodaeth flaenorol a ddefnyddiwyd gan yr RNN neu ei anghofio os oes angen [19] . Ar hyn o bryd, fe'i defnyddir yn eang gyda llwyddiant mewn problemau rhagfynegi cyfres amser.

Dyluniwyd LSTM-RNN o gell cof sy'n storio dibyniaethau hirdymor. Yn ogystal â'r gell cof, mae'r gell LSTM yn cynnwys giât mewnbwn, giât allbwn ac giât anghofio.

Mae pob adwy yn y gell yn derbyn y mewnbwn cerrynt tx, y cyflwr cudd ht−1 ar y funud flaenorol a'r wybodaeth cyflwr Ct−1 o gof mewnol y gell i gyflawni gweithrediadau amrywiol a phenderfynu a ddylid actifadu gan ddefnyddio ffwythiant rhesymeg. Mae cyflwr ht yr uned, yr allbwn ar amser t, a'r cyflwr cudd mewnbwn ar amser t1 yn cael eu pennu gan danh ( ) nad yw'n gweithredu'n llinellol a gwybodaeth y giât allbwn.

3. Canlyniadau a Thrafodaeth

Yn yr astudiaeth hon, defnyddiwyd meddalwedd MATLAB (R2019b) ar gyfer proses hyfforddi'r LSTM, sy'n bensaernïaeth ddatblygedig i RNN ragweld gwerthoedd camau amser dilyniant yn y dyfodol. Hyfforddwyd y rhwydwaith atchweliad dilyniant i ddilyniant LSTM, lle mae ymatebion yn ddilyniannau hyfforddi gyda gwerthoedd newidiol mewn un cam amser.

Hynny yw, am bob cam amser o'r dilyniant mewnbwn, mae'r rhwydwaith LSTM yn dysgu rhagweld gwerth y cam amser nesaf. Yn y gwaith hwn, i werthuso effeithiolrwydd a chymhwysedd y model arfaethedig yn gynhwysfawr ac yn systematig, dewiswyd dwy gyfres o ddata ar gyfer cyflymder gwynt ar gyfer dau dymor gwahanol oherwydd eu nodweddion hinsoddol gwahanol, sef, yn y drefn honno, gwanwyn (Mawrth 2015) a haf (Gorffennaf 2015). ).

Rhannwyd pob cyfres ddata yn 1-576 (24 diwrnod) fel arsylwadau a 577-744 (7 diwrnod), yn y drefn honno, fel y grwpiau hyfforddi a phrofi. Mae data hyfforddi wedi'u safoni i gael dim amser rhagweld cymedrig ac amrywiant uned er mwyn atal hyfforddiant rhag dargyfeirio. Mae'r paramedr hyfforddi gorau i gael yr RMSE isaf i'w gael drwy ddefnyddio cyfradd dysgu cychwynnol o 0.005.

Dengys Ffigurau 4 a 5 gymhariaeth y gwerthoedd a arsylwyd â’r gwerthoedd a ragwelir ar gyfer cyfresi cyflymder gwynt fesul awr a gasglwyd yn y gwanwyn (1–31 Mawrth 2015) a’r haf (1–31 Gorffennaf 2015), yn y drefn honno, ar gyfer gwerthuso’r LSTM, a hyfforddwyd unwaith (y gwerth y rhagfynegiad blaenorol) ac ailddefnyddir i ragfynegi pob cam amser rhwng rhagfynegiadau a gynrychiolir gan yr Hafaliadau (2)–(4). Mae hyn yn golygu na wneir unrhyw ddiweddariadau unwaith y bydd y model yn ffitio'r data hyfforddi am y tro cyntaf, a gelwir y model yn yr achos hwn yn fodel sefydlog oherwydd nad oes unrhyw ddiweddariadau.

Dewiswyd opsiynau hyfforddi rhwydwaith LSTM ar gyfer 200 fodiwl cudd. Y gyfradd dysgu cychwynnol yw 0.005, ac mae'r nifer uchaf o iteriadau yn sefydlog ar 250. Mae'r trothwy graddiant wedi'i osod i 1 i atal y graddiannau rhag ffrwydro. Gostyngir y gyfradd ddysgu ar ôl 125 epocs trwy luosi â ffactor 0.2.Yn Ffigurau 6 a 7, mae'r LSTM wedi'i ddiweddaru gyda data newydd ar gyfer y rhagolygon cyfres amser trwy ddefnyddio'r gwerthoedd a ragfynegir a'r gwerthoedd cyflwr wedi'u diweddaru o'r set brawf ac maent ar gael i y model ar gyfer y rhagolwg ar y cam tro nesaf Yn arbennig, mabwysiadodd yr addasedigLSTM Ct−1 i'r gatiau mewnbwn, anghofio ac allbwn.

Mae hyn oherwydd bob tro y bydd y LSTM yn mynd yn ei flaen, mae Ct−1 yn effeithio ar fewnbwn, anghofio ac allbwn y LSTM. Cesglir yr holl ragfynegiadau yn set ddata'r prawf a chyfrifir sgôr gwall i grynhoi sgil y model. Defnyddir y gwall sgwâr cymedrig gwraidd (RMSE) oherwydd ei fod yn cosbi gwallau mawr ac yn arwain at sgôr yn yr un unedau â'r data a ragwelir, sef cyflymder gwynt fesul awr.

Yma, mae'r rhagfynegiadau yn fwy cywir wrth ddiweddaru cyflwr y rhwydwaith gyda'r gwerthoedd a arsylwyd yn lle'r gwerthoedd a ragwelir. O'r canlyniadau, gwelir yn y ddwy gyfres Gwanwyn (Mawrth 2015) a Haf (Gorffennaf 2015) bod gwerth RMSE wedi gostwng 4.5845 a 4.9392, yn y drefn honno, wrth ddefnyddio'r diweddariad LSTM, ac mae hyn oherwydd gwahanol nodweddion pob un.

Yn y gwaith hwn ac yn seiliedig ar astudiaethau blaenorol amrywiol yn ôl modelau gwahanol, nodir bod cywirdeb modelau rhagfynegi yn amrywio yn ôl nodweddion gwahanol y wybodaeth, ac felly, hyd yn hyn, nid oes unrhyw fodel wedi'i gyrraedd sy'n gweithio gyda'r un cywirdeb gyda gwahanol wybodaeth. . Mae Tabl 1 yn dangos y gwallau ar gyfer y ddwy gyfres ddata (Gorffennaf 2015) a (Mawrth 2015) yn y model LSTM arfaethedig gan ddefnyddio metrigau gwallau RMSE.

4. Casgliadau

Mae angen model rhagweld cywir o ffynonellau cyflymder gwynt i ddarparu gwybodaeth hanfodol i rymuso gweithredwyr grid a dylunwyr systemau i gynhyrchu gwaith pŵer gwynt gorau posibl ac i gydbwyso cyflenwad a galw yn y farchnad ynni.

Yn yr astudiaeth hon, cynigiwyd cof tymor byr addasedig (LSTM) i ragweld cyflymder gwynt. Gan y gall gwerth gwirioneddol y camau amser rhwng rhagfynegiadau fod yn fynediad, rhagwelir cyflymder y gwynt trwy ddiweddaru cyflwr y rhwydwaith ym mhob rhagfynegiad gan ddefnyddio'r gwerth a arsylwyd yn lle'r gatiau.

Mae hyn oherwydd bob tro y bydd yr LSTM yn mynd yn ei flaen, mae cyflwr y gell yn effeithio ar fewnbwn, anghofio ac allbwn y LSTM. Roedd canlyniadau'r model yn dangos cywirdeb gwell wrth ragfynegi cyflymder gwynt.

Cyfraniadau Awdur: Conceptualization, ME; methodoleg, ME; meddalwedd, ME; dilysu, ME; dadansoddiad ffurfiol, ME, ac AM; ysgrifennu - Paratoi drafft gwreiddiol, ME; ysgrifennu-Adolygu a golygu, AC; goruchwyliaeth, AC; gweinyddu'r prosiect, AC Mae'r holl awduron wedi darllen a chytuno i'r fersiwn gyhoeddedig o'r llawysgrif.

Cyllid: Ariannwyd yr ymchwil hwn yn rhannol gan Weinyddiaeth Addysg Libya, rhif grant 3772.

Datganiad y Bwrdd Adolygu Sefydliadol: Amherthnasol.

Datganiad Cydsyniad Gwybodus: Amherthnasol.

Datganiad Argaeledd Data: Amherthnasol.

Gwrthdaro Buddiannau: Nid yw'r awduron yn datgan unrhyw wrthdaro buddiannau.

Cyfeiriadau

1. Monfared, M. ; Rastegar, H.; Kojabadi, HM Strategaeth newydd ar gyfer rhagweld cyflymder gwynt gan ddefnyddio dulliau deallus artiffisial. Adnewyddu.Energy 2009, 34, 845–848. [CrossRef]

2. Blwch, GE; Jenkins, GM; Reinsel, GC; Ljung, Dadansoddiad Cyfres Amser GM: Rhagweld a Rheoli, 5ed arg; John Wiley a'i Feibion: Hoboken, NJ, UDA, 2015; pp. 129–171.

3. Elsaraiti, M.; Merabet, A. ; Al-Durra, A. Dadansoddiad Cyfres Amser a Rhagolygon o Ddata Cyflymder Gwynt. Mewn Trafodion Cyfarfod Blynyddol Cymdeithas Ceisiadau Diwydiant IEEEI, Baltimore, MD, UDA, 29 Medi–3 Hydref 2019; tt 1–5.

4. Yadav, AP; Kumar, A.; Behera, L. Rhagolwg ymbelydredd solar yn seiliedig ar RNN gan ddefnyddio cyfradd dysgu addasol. Yn y Gynhadledd Ryngwladol ar Gyfrifiadura Heidiol, Esblygiadol a Memetig; Springer: Cham, y Swistir, 2013; pp. 442–452.

5. Hochreiter, S.; Schmhuber, J. Cof tymor byr hir. Cyfrifiadur Niwral. 1997, 9, 1735–1780. [CrossRef] [PubMed]

6. Kumar, D.; Mathur, HD; Bhanot, S.; Bansal, RC Rhagfynegi pŵer solar a gwynt gan ddefnyddio LSTM RNN ar gyfer rheoli amlder llwyth mewn microgrid ynysig. Int. J. Model. Simwl. 2020. [CrossRef]

7. Shi, X. ; Lei, X. ; Huang, Q. ; Huang, S.; Ren, K.; Hu, Y. Rhagfynegiad pŵer gwynt bob awr o'r dydd gan ddefnyddio'r model hybrid o ddadelfennu model amrywiol a chof tymor byr hir. Egni 2018, 11, 3227. [CrossRef]

8. Rodrigues, ER; Oliveira, I. ; Cunha, R. ; Netto, M. DeepDownscale: Strategaeth Ddysgu Ddwfn ar gyfer Rhagolygon Tywydd Cydraniad Uchel. Yn Nhrafodion Cynhadledd Ryngwladol 2018 IEEE 14eg ar e-Wyddoniaeth (e-Wyddoniaeth), Amsterdam, Yr Iseldiroedd, 29 Hydref-1 Tachwedd 2018; IEEE: Efrog Newydd, NY, UDA, 2018; pp. 415–422.

9. Chen, N.; Qian, Z.; Nabney, TG; Meng, X. Rhagolygon ynni gwynt gan ddefnyddio prosesau Gaussian a rhagfynegiad tywydd rhifiadol.IEEE Trans. Power Syst. 2013, 29, 656–665. [CrossRef]

10. Cao, Q. ; Ewing, BT; Thompson, MA Rhagweld cyflymder gwynt gyda rhwydweithiau niwral rheolaidd. Eur. J. Oper. Res. 2012, 221,148–154. [CrossRef]

11. Lydia, M. ; Kumar, SS; Selvakumar, AI; Kumar, GE Modelau atchweliadol llinol ac aflinol ar gyfer rhagweld cyflymder gwynt tymor byr. Troi Ynni. Manag. 2016, 112, 115–124. [CrossRef]

12. Ghaderi, A. ; Sanandaji, BM; Ghaderi, F. Rhagolwg Dwfn: Rhagolygon Gofodol-Dros Dro ar sail Dysgu Dwfn; Prifysgol Cornell: Ithaca, NY, UDA, 2017.

For more information:1950477648nn@gmail.com