短期风速预测使用基于人工学习算法

文摘

需要一个高效的电源操作现代工业已经在过去的几年中迅速增长。因此,最新的可再生能源是很难预测的。生成的权力是高度依赖波动因素(如风力轴承、压力、风速、湿度和周围的气氛)。因此,准确预测方法是非常重要的在实践中开发和使用。本文的案例研究风力农场收获了风速收集的数据。等数据很难被预测的风速,构建和测试必须提供预测算法。为了实现这一目标,四个神经网络算法:人工神经网络(安)、卷积神经网络(美国有线电视新闻网),长期短期记忆(LSTM)和卷积LSTM混合模型(ConvLSTM)相结合LSTM与美国有线电视新闻网和一个支持向量机(支持向量机)模型研究、评估和比较使用不同的统计和时间指标,以确保最终的模型满足的目标,是建立。结果表明,尽管支持向量机提供最准确的预测,ConvLSTM选择少由于其计算的努力以及预测精度高。

1。介绍

需要转向可再生能源和清洁能源在前几年也显著提高。化石燃料被过度滥用,最终浪费了。然而,可再生能源(再保险)能源如风能、太阳能和水力或水力定期补充和将永远维持。电网运营商使用再保险面临许多挑战,导致发电可变性和不确定性。例如,在太阳能发电的情况下,云层上面移动太阳能发电站的存在可以缩小发电短暂的间隔时间。云层的结果可能会引入很快转变太阳能结构,但太阳能仍被认为是高度可预测太阳运动理解清楚(1]。然而,风力发电是难以预测由于风速的波动在本质上是随机的。这个问题会导致供给和需求之间的间断。因此,为了加强和优化可再生风能发电,风速或电力生产预测模型是最近被用于解决这个问题。这导致了巨大的增加安装风力发电厂(2]。

作为风力发电的需求增加了在过去的几十年里,有一个严重的需要设置风力发电场和建造设施取决于准确的风能预测数据。收集短期对电力(风力预测有重要影响3),也需要确定风电场的规模。

很明显,需要一个精确的风力预测技术,大幅降低成本通过风力发电调度(4]。有几种方法,旨在短期风力预测(例如,统计时间序列和神经网络)。一个先进的和更准确的预测,使用混合模型。这些模型结合物理和统计方法,短期和中期模型和统计模型的组合选择。

人工神经网络的概念(人工神经网络)是首次由McCulloch和皮特5)在1943年作为生物神经网络计算模型。卷积神经网络美国有线电视新闻网)受到“Neocognitron”网络于1980年首次引入的福岛(6]。美国有线电视新闻网基于生物过程的分层的多层神经网络用于图像处理。这些网络能够“学习没有老师”识别的各种催化剂形状取决于他们的几何设计7]。

长短期记忆(LSTM)[8递归神经网络()是建立在RNN)结构。它是由1997年的Hochreiter和。施密德胡贝尔表示设计的。LSTM使用这一概念提出了(9]这取决于反馈其层之间的连接。不像标准的前馈神经网络,LSTM可以处理整个序列的数据(如声音或视频),而不仅仅是单个数据点(如图像)。

支持向量机(支持向量机)[10)是一种流行的机器学习技术,这是足够先进来处理复杂的数据。这是旨在处理分类问题的挑战。

在2016年,卷积LSTM (ConvLSTM)被用来建立一个预测模型的视频史等。11]。开发一个工具来预测action-conditioned视频像素运动建模,通过预测一个分布在像素运动从先前的帧。堆叠卷积LSTM来生成运动预测。这种方法得到了最好的结果在预测未来对象的运动。

一个端到端的学习驾驶模型是(12)使用LSTM的算法。可训练结构学习如何准确地预测一个分布在即将到来的车辆运动是通过学习开发一个通用的车辆运动从大规模的众包视频。快速的单眼相机使用的数据源,观察,和过去的车辆状态。通过长时间的短期记忆编码的图像完全卷积网络(FCN-LSTM)确定相关图解积分法在每一个输入框,与颞网络使用运动历史信息。作者能够组成一个创新的混合结构时间序列预测(茶匙),一个LSTM颞编码器利用完全卷积编码器。

各种报纸一直在探索在文献中风速预测。例如,一个模型引入了徐et al。13)使用短期风速预测LSTM经验小波变换(易),Elman神经网络方法。的易实现原始风速数据分解成多个子层和雇用他们Elman神经网络新奥集团),LSTM网络预测低和高频子层。无味卡尔曼滤波(UKF)和支持向量回归(SVR被陈和应用于状态空间模型)为基础(14)有效正确的短期风速估计链。

nonlinear-learning方案深度学习的时间序列预测,EnsemLSTM,是由陈et al。15]。这个方案依赖于LSTM年代,支持向量回归机(SVRM)和极值优化算法(EO)。分别预测的风速数据的数组LSTM年代,包含覆盖层。每个隐层神经元构建。作者证明了EnsemLSTM能够实现一种改进的预测执行的最小平均绝对误差(MAE)、均方根误差(RMSE),平均绝对百分比误差(日军),最高的R平方(R²)。

混合模型构造小波变换(WT),支持向量机提出了刘et al。16)预测在短期内风速。该模型提高了遗传算法遗传算法),这是实现改变的基本规范支持向量机通过减少生产错误和搜索最优规范绕过不稳定的危险。提出了模型被证明是更有效的比SVM-GA模型。王(17)开发了一种遗传算法的小波神经网络(GAWNN)模型。开发模型显示一个增强的操作比正常的小波神经网络(算法的)模型在预测短期风能。模型可以位于网络训练的开始以及收敛精度。

提出了一种预测模型由谢赫•et al。18基于支持向量回归(SVR)和神经网络(神经网络)与反向传播技术。一个窗口数据预处理结合交叉和滑动窗口验证为了预测风速与精度高。提出了一种混合方法,南天et al。19),包括变分模式分解(VMD),偏自相关函数(PACF)特征选择和模块化的加权正规化极端学习机(WRELM)预测。最优分解层数分析预测误差的一步预测不同分解层。

一个健壮的预测模型提出了Haijian和邓20.)通过评估季节性特点和滞后在风力资源空间。该模型是基于一个隐层的多层感知器神经网络使用Levenberg-Marquardt优化方法。最小二乘支持向量机(LSSVM)被Xiaodan [21风速预测)。预测模型参数的准确性是优化利用粒子群优化(算法)培训过程中的适应度函数最小化。Ningsih et al。22]预测风速使用递归神经网络(RNNs)与长期短期记忆(LSTM)。随机梯度下降法的两个优化模型(SGD)和自适应估计(亚当)进行评估。亚当的方法被证明是更好的比SGD更快和更高层次的准确性和减少偏离目标。

非线性自回归神经网络(NARNET达塔()模型是由23]。模型采用单变量时间序列数据生成每小时风速预测。提供错误反馈闭环结构隐藏层生成的预测下一个点。短期风速预测方法提出了Guanlong et al。24)使用反向传播(英国石油公司)神经网络。BP网络权重和阈值的训练和改进人工蜂群算法的优化。然后,聚集的风速样本训练和优化。在培训完成后,测试样品被用来预测和验证。

模糊c均值(FCM)集群被Gonggui et al。25预测风速。BP神经网络的输入数据具有类似特征分为相应的类。不同的BP神经网络建立了每个类。变异系数是用来说明分散的数据,和统计知识是用来照亮大分散从原始数据集的输入数据。人工神经网络(人工神经网络)和决策树(DTs)是利用ZhanJie和Mazharul主义(26]分析气象数据的数据挖掘技术的应用通过云计算风速预测。神经元隐层的逐渐增强,以及网络性能检查表单中的一个错误。表1突出了现有方案的主要特点为风速预测。

这个工作的新颖性在于提高风速预测的准确性通过使用混合模型ConvLSTM和比较它与其他四个常用的模型与优化滞后,隐藏的神经元,参数。这包括测试和比较这五个不同的模型的性能基于历史数据采用multi-lags-one-step (枣疯病)提前预测的概念。枣疯病提供了一个有效的推广新的时间序列数据。因此,它增加了总体预测精度。本文的其余部分组织如下。部分2描述了四个学习算法除了混合算法追究一个精确的风速预测。部分3说明了研究方法。部分4展示了一个真实的案例研究风电场。部分5介绍和讨论的结果。最后,给出了结论和未来的工作部分6。

1.1。缩写词和符号

表2通过本文说明了使用的缩写和符号。

2。预测算法

在本节中,用于风速预测的算法进行了总结如下。

2.1。LSTM算法

LSTM是建在一个独特的架构,让它忘记了不必要的信息,把乘法变成加法和使用一个函数的二阶导数可以保存很长一段距离为零之前为了减少消失梯度问题(虚地磁极)。它的构造乙状结肠层需要的输入和然后决定通过生成0从旧的哪一部分输出应该被删除。这个过程是通过忘记门 。门输出了 。之后,一个新的输入向量的所有可能的值是由褐色h层。这两个结果是增加更新旧的记忆换句话说,乙状结肠层细胞的状态将决定哪些部分结果。然后,乙状结肠门的结果乘以通过谭设置的所有可能的值h。因此,只有部分的输出包括决定生成。

LSTM网络(8递归神经网络()的一部分RNN年代),有能力学习的长期依赖性和强大的远程依赖关系建模。的主要标准LSTM网络是可以记住时间状态的存储单元。也是由添加或删除信息通过三个控制盖茨。这些门是输入门,忘记门,输出门。LSTM年代能够更新的信息流和控制块中使用这些门以下方程: “·”提出了矩阵乘法,“⊙”是一个elementwise乘法,“θ”代表权重。是细胞的输入c由输入封闭的门,而o_t是输出。非线性函数σ和褐色h应用elementwise,哪里 。方程(1)和(2)建立门激活,方程(3)表明细胞输入,方程(4)决定了新细胞状态,存储或删除“记忆”,和方程(5)的结果输出门激活方程所示(6),最终的输出。

2.2。美国有线电视新闻网算法

美国有线电视新闻网是一个前馈神经网络。实现网络结构优化和解决网络中未知参数,二维图像的属性是摘录和反向传播算法实现。为了实现最终的结果,采样数据是美联储内部网络在prerefining提取所需的属性。接下来,应用分类或回归(27]。

的美国有线电视新闻网基本上是由两种类型的层:卷积和汇聚层。卷积层内的神经元在本地连接和前面的层。与此同时,神经元的地方属性。找到当地的敏感性通过池层获得重复的属性。卷积的存在和池层最小化属性分辨率和网络的数量规格要求的提高。

美国有线电视新闻网通常描述数据,构造一个二维数组,是图像处理领域的广泛利用。在这篇文章中,美国有线电视新闻网配置算法来预测风速和适应它处理一维数组的数据。在预处理阶段,一维数据重构到一个二维数组中。这使美国有线电视新闻网机算法顺利处理数据。这将创建两个文件:房地产和响应文件。这些文件作为输入美国有线电视新闻网。响应文件还包含预期的输出值的数据。

每个样品都是由一条线从财产和响应文件。重量和偏见就可以获得一个可以接受的训练样本的数量美国有线电视新闻网交付。培训持续与响应值的回归结果进行了比较,以达到最低可能的错误。这提供了最后的训练美国有线电视新闻网模型,它利用来达到需要的预测。

的拟合机制美国有线电视新闻网池。各种计算方法已经证明池可以使用两种方法:平均池和最大池。图片是静止的,所有的部分图像相似的属性。因此,池的计算方法适用于类似的平均或最大每高分辨率图像的一部分。池的过程会导致减少统计维度模型的泛化和增加强度。结果的优化很好,可以在配件的可能性较低。

2.3。安算法

安有三层,建立网络。这些都是输入、隐藏层和输出层。这些层可以将输入向量输出标量或矢量使用各神经元激活函数。的隐藏的神经元可以计算的输入和米使用以下方程[隐藏神经元14]: 在哪里连接的重量吗我_th输入节点j_th隐藏的节点,是我一步一步在先前的风速,隐层的激活函数。因此,未来可以通过预测风速 在哪里连接的重量吗j_th隐藏节点到输出节点预测风速的吗k_th抽样的时候输出层的激活函数。通过最小化误差之间的实际和预测风速,和 ,分别使用Levenberg-Marquardt (LM)算法,非线性映射的效率安可以获得的28]。

2.4。支持向量机算法

假设一组样品 ,在哪里 ,与输入向量和输出向量 。目的确定一个函数回归障碍描述输入和输出之间的相关性。的利益SVR是获得高维特征空间的线性回归由映射的主要输入设置利用preknown函数和最小化结构风险 。这种机制可以编写如下(15]: 在哪里 , ,和分别是回归系数向量,偏见,和惩罚系数。 是e不敏感损失函数。回归问题可以由下面的约束优化问题: 在哪里和代表了松弛变量,约束可行。利用拉格朗日乘数法、回归函数可以写成: 在哪里和拉格朗日乘数法,实现条件和 。 是一个通用内核函数。在这项研究中,著名的径向基函数(RBF这里选择核函数: 在哪里σ定义了RBF内核的宽度(15]。

2.5。ConvLSTM算法

ConvLSTM被设计成训练数据集的空间信息,和它的目的是处理3-dimentional数据作为输入。此外,它通过卷积操作每一个交换矩阵乘法LSTM细胞的大门。通过这样做,它有能力把底层的多维数据的空间特性。公式所使用的每一个盖茨(输入、忘记和输出)如下: 在哪里 , ,和是输入,忘记,盖茨和输出和权重矩阵,而是当前输入数据。前面的隐藏输出和是细胞状态。

这些方程之间的区别LSTM是矩阵乘法( )被替换的卷积操作( )之间的和每个 , 在每一个门。通过这样做,整个层被一个卷积层连接。因此,模型中的参数可以显著减少重量。

3所示。方法

由于非线性,非平稳的属性和风速时间序列的随机变化,风速的准确预测是一个挑战性的努力(29日]。在这个工作,提高风速预测模型的准确性,比较5个模型进行预测风速考虑历史数据可用。一个新的概念叫做multi-lags-one-step (枣疯病)提前预测是用来说明对五个模型精度的影响。假设我们在时间指数 。预测在未来一个输出元素 ,输入数据集可以分裂成许多滞后(历史数据) ,在那里我∈{1}。通过这样做,可以训练模型在预测单个事件之前更多的元素。除此之外,模型精度显示有所改善,直到它达到最优滞后点,最好的准确性。除了这一点,模型精度退化,因为它将在结果部分描述。

图1说明了预测模型的工作流。具体来说,该方法需要四个步骤。

在步骤1中,数据收集和平均从5分钟到30分钟到1个小时,分别。然后标准化数据集生成一个0的平均值和标准偏差为1。滞后阶段在步骤2中是非常重要的,作为数据被划分为不同的滞后研究训练模型的影响不止一个元素(输入)来预测一个事件在未来。在步骤3中,应用了模型等模型的考虑美国有线电视新闻网,LSTM,ConvLSTM从形状矩阵的角度需要调整。这些模型通常使用2 d或更多。在这个阶段,操纵和矩阵进行重塑。为了检查和评估拟议的模型,在步骤4,三个主要指标是用于验证案例研究(美、RMSE和R²)。此外,考虑到执行时间和最佳延迟选择最好的模型。

算法1说明了培训过程ConvLSTM。

4所示。收集的数据

表3说明了收集数据的特点,在5分钟的时间跨度。收集到的数据从一个真正的风速数据集从西德克萨斯Mesonet在三年内,与艾伦,湖附近的5分钟观察期加尔萨(30.]。数据处理通过平均5分钟到30分钟(其统计特征表4),一次1小时(其统计特征给出表5)。平均的目标是研究减少数据大小的影响为了比较这5个模型,然后选择一个能够达到的最高精度的三个数据集情况下。三个表中所示,数据集是几乎相同的季节性和保留。同时,他们不受平均过程的影响。

数据已经被分成三组(培训、验证和测试)的分数53:14:33。

5。结果与讨论

定量评价预测模型的性能,测试四个常用统计措施(20.]。所有的测量实际和预测风速值之间的偏差。具体来说,RMSE、美和R²如下: 在哪里和分别是实际的和预测的风速,在吗是实际风速序列的平均值。通常,这些措施的小振幅表示一种改进的预测过程中,R²模型的拟合优度指标。因此,更大的价值,将装配模型。实验环境配置如下:(1)CPU:英特尔(R) (TM)核心i7 - 8550 u @ 1.80 GHz CPU, 2001 Mhz, 4个核心(s), 8个逻辑处理器(s)(2)内存:安装16.0 GB物理内存(3)GPU: AMD Radeon (TM) RX 550 10 GB(4)2019.07框架:蟒蛇,Python 3.7

表6说明了选择优化的内部参数(hyperparameters)预测方法用于这项工作。对于每个方法,选择最优数量的隐藏神经元达到最大和最低和梅值。

后的实现美国有线电视新闻网,安,LSTM,ConvLSTM,支持向量机,注意到最合适的模型是根据其选择的准确性预测未来风速值。因此,季节性被认为是预测机制。选择模型提供最合适的数据用最少的错误,考虑到数据的性质,而不是天真的预测应用。

为了实现这一目标,统计误差指标计算为每个模型和时间流逝,充分表示为图2说明了。结果表明,提供ConvLSTM模型具有最佳的性能比其他四个模型。所选的模型必须达到最低的RMSE值和梅而最大R²价值。

不同的参数也进行测试,确保选择最佳拟合模型的正确的决定。表中给出的最优数量的滞后7是一个最重要的指标选择最佳的拟合模型。因为历史模型所需的点越少,计算工作将更少。对于每个方法,选择最优数量的落后达到最大和最低和梅值。例如,数据3和4显示之间的关系统计措施和滞后和隐藏的神经元的数量,分别提出ConvLSTM方法5分钟时间跨度。可以看出4滞后和15隐藏神经元达到最大值和最小和梅值。

表中所示的执行时间8计算为每个方法和时间流逝,以确保最终的和选择的模型是有效的,可以有效地预测未来的风速。执行的时间越短,越有效和有用的模型。这也是一个迹象表明该模型是有效进行进一步的修改。根据表8,ConvLSTM模型比所有其他模型的时间,它需要过程历史数据并最终预测;支持向量机需要54分钟完成培训和生产测试结果ConvLSTM在1.7分钟。这个巨大的差别使得使用的选择ConvLSTM。

图5表明,5分钟失效数据集数据集是最符合我们的选择模型。它声明如何准确预测未来的风速。

出于完整性的考虑,有效地评估调查预测技术的预测精度,在50交叉验证过程进行调查技术构建,然后在50个不同的训练评估和测试数据集,分别从可用的随机抽样总体数据集。然后报告为最终的性能指标的平均值和标准偏差值在每个交叉验证试验获得的50个指标。在这方面,人物6显示了平均性能指标的测试数据集使用50交叉验证过程。它会很容易认识到采用的预测模型LSTM技术比其他调查技术的三个性能指标,R²、RMSE和梅。

从短期风速预测的实验结果如图6,我们可以观察到ConvLSTM执行方面的最佳预测指标(R²、RMSE MAE)比其他模型(例如,美国有线电视新闻网,安,SVR,LSTM)。相关统计测试表6和7分别被证明的有效性ConvLSTM和嘈杂的大数据处理的能力。ConvLSTM表明,它能产生高精度风速预测减少滞后和隐藏的神经元。这确实是反映在表中所示的结果8用更少的计算时间比其他测试模型。此外,我们引入了multi-lags-one-step (枣疯病)提前预测结合混合ConvLSTM模型提供一个有效的推广新的时间序列数据准确预测风速。结果表明,ConvLSTM提出了在本文中是一种有效和有前途的风速预测模型。

类似于我们的工作,提出了EnsemLSTM模型由陈et al。15包含不同的集群LSTM用不同的隐藏层和隐藏的神经元。他们的总和LSTM集群SVR和外部优化器,以提高模型的泛化能力和鲁棒性。然而,他们的模型显示高计算复杂度与平庸的性能指标。我们的提议ConvLSTM与枣疯病保证提高泛化为新的时间序列数据和健壮性以及生产高性能指标。

6。结论

在这项研究中,我们提出了一个基于混合深度学习框架ConvLSTM风速时间序列的短期预测测量。提出了动态预测模型进行优化的输入滞后和内部隐藏的神经元的数目。Multi-lags-one-step (枣疯病)在风速预测使用该方法显示优越的结果相比,其他四个不同的模型使用的标准安,美国有线电视新闻网,LSTM,支持向量机方法。提出的建模框架结合的好处美国有线电视新闻网和LSTM网络在混合建模方案,显示了高度准确的风速预测结果与更少的滞后和隐藏的神经元,以及减少计算复杂度。对于未来的工作,进一步调查才能改善的准确性ConvLSTM模型,例如,增加和优化隐藏层的数量,应用multi-lags-multi-steps (传销)提前预测,引入强化学习代理优化参数与其他优化方法相比。

数据可用性

本研究中使用的风速数据已从美国西德克萨斯Mesonet国家风能研究所(http://www.depts.ttu.edu/nwi/research/facilities/wtm/index.php)。数据仅为学术研究提供了自由的目的,不能共享/分布式超越学术研究使用从西德克萨斯Mesonet未经许可。

的利益冲突

作者宣称没有利益冲突。

确认

作者承认的帮助在德州理工大学教授Brian Hirth向他们提供天气数据的访问。

引用

1. r . Rothermel“如何预测范围和强度的森林和火灾蔓延,“技术。代表,山间森林和范围实验台,奥格登,UT,美国,1983年,通用技术报告int - 143。视图:谷歌学术搜索
2. A Tascikaraoglu和m . Uzunoglu”评估相结合的方法预测短期风速和权力,”可再生能源和可持续能源的评论34卷,第254 - 243页,2014年。视图:出版商的网站|谷歌学术搜索
3. r . j . Barthelmie f·默里,c·普赖尔,“短期预测的经济效益在英国风能电力市场,”能源政策,36卷,不。5,1687 - 1696年,2008页。视图:出版商的网站|谷歌学术搜索
4. Y.-K。吴和h . Jing-Shan世界上风力预测技术的文献综述2007年瑞士洛桑,IEEE洛桑Powertech。
5. w·s·麦克洛克和w·皮特,”一个逻辑微积分思想内在的神经活动,“数学生物物理学的公告,5卷,不。4、115 - 133年,1943页。视图:出版商的网站|谷歌学术搜索
6. k .福岛“Neocognitron”,Scholarpedia,卷2,不。1,p。1717年,2007。视图:出版商的网站|谷歌学术搜索
7. k .福岛“Neocognitron:自组织神经网络模型的机制模式识别影响转变立场,”生物控制论,36卷,不。4、193 - 202年,1980页。视图:出版商的网站|谷歌学术搜索
8. ,的Hochreite和j。施密德胡贝尔表示“长短期记忆。”神经计算,9卷,不。8,1735 - 1780年,1997页。视图:出版商的网站|谷歌学术搜索
9. h·t·Siegelmann和e·d·桑塔格”,在神经网络的计算能力,”计算机与系统科学杂志》上,50卷,不。1,第150 - 132页,1995。视图:出版商的网站|谷歌学术搜索
10. r·苏尼尔“了解支持向量机算法,”https://www.analyticsvidhya.com/blog/2017/09/understaing-support-vector-machine-example-code/,2017年。
11. h . x, z . Chen, d . y . Yeung w . k . Wong和w·c·哇,“卷积LSTM网络:机器学习的方法对降水短时预测,”神经信息处理系统的程序研讨会论文集光碟,蒙特利尔,加拿大,2015年12月。视图:谷歌学术搜索
12. c·芬恩,”格拉汉姆·古德费勒。莱文和美国无监督学习物理交互通过视频预测,”诉讼的年会神经信息处理系统西班牙巴塞罗那,页64 - 72,,2016年12月。视图:谷歌学术搜索
13. h .徐y高,f . Yu, t·达雷尔”端到端学习驾驶模型的大规模视频数据集,”学报2017年IEEE计算机视觉与模式识别会议火奴鲁鲁,页3530 - 3538年,美国,2017年7月,你好。视图:谷歌学术搜索
14. 陈k和j . Yu”短期风速预测使用基于无味卡尔曼滤波器的状态空间支持向量回归方法,”应用能源卷,113年,第705 - 690页,2014年。视图:出版商的网站|谷歌学术搜索
15. j . Chen G.-Q。曾,w .周、w·杜和K.-D。陆”,风速预测使用nonlinear-learning合奏的深度学习时间序列预测和极值优化”能量转换和管理卷,165年,第695 - 681页,2018年。视图:出版商的网站|谷歌学术搜索
16. d . d . Liu妞妞,h . Wang和l .粉丝,“短期风速预测使用小波变换和支持向量机优化的遗传算法,”可再生能源卷,62年,第597 - 592页,2014年。视图:出版商的网站|谷歌学术搜索
17. y王”,短期风电预测遗传算法的小波神经网络,”学报2014年国际会议信息科学、电子和电气工程札幌,页1752 - 1755年,日本,2014年4月。视图:谷歌学术搜索
18. n .谢赫·d·b·Talukdar r . i Rasel和n . Sultana“短期风速预测利用svr和三层:比较分析,”学报2017年20计算机和信息技术国际会议(ICCIT),页1 - 6,达卡,孟加拉国,2017年12月。视图:谷歌学术搜索
19. h .南天,c .元,g . Cai和大肠,“混合短期风速预测使用变分模式分解和加权正规化极端的学习机器,”能量,9卷,不。12日,第1007 - 989页,2016年。视图:谷歌学术搜索
20. Haijian和x邓”演算法神经网络的短期风速预测基于季节性特征分析和延迟空间估计,“计算机模拟在工程和科学,卷114,不。3、277 - 293年,2018页。视图:谷歌学术搜索
21. w . Xiaodan”,短期风速预测使用支持向量机和粒子群优化,”学报2017年国际会议上传感、诊断、预测和控制(SDPC),第245 - 241页,上海,中国,2017年8月。视图:谷歌学术搜索
22. f·r·Ningsih e·c·Djamal, a . Najmurrakhman”使用递归神经网络的风速预测和短期记忆,”学报2019年第六届国际会议上仪器仪表、控制和自动化(ICA)万隆,页137 - 141年,印度尼西亚,2019年7 - 8月。视图:谷歌学术搜索
23. p·k·达塔,”一个人工神经网络方法对短期风速预测,”堪萨斯州立大学,曼哈顿,KS,美国,2018年,硕士论文。视图:谷歌学术搜索
24. l . j . Guanlong d . Li姚,p .赵“蜜蜂colony-BP改进人工神经网络算法在短期风速预测,”学报》2016年第12届世界智能控制和自动化国会(WCICA)桂林,页2252 - 2255年,中国,2016年6月。视图:谷歌学术搜索
25. z . c . Gonggui陈、张,z的太阳,“短期风速预测基于模糊c均值聚类和改善MEA-BP”IAENG国际计算机科学杂志》上,46卷,不。4,27-35,2019页。视图:谷歌学术搜索
26. w . ZhanJie和a . b . m . Mazharul主义“天气预报使用基于云计算的数据挖掘研究,“在《物理:会议系列,卷910,不。1,文章ID 012020, 2017。视图:出版商的网站|谷歌学术搜索
27. 答:朱,x, z . Mo, r·吴“风力发电预测基于卷积神经网络,”《2017年国际会议上电路,设备和系统(iccd)成都,页131 - 135年,中国,2017年9月。视图:谷歌学术搜索
28. o .琳达,t . Vollmer m .躁狂,“基于神经网络的入侵检测系统关键的基础设施,”《2009国际神经网络联合会议,页1827 - 1834年,亚特兰大,乔治亚州,美国,2009年6月。视图:谷歌学术搜索
29. 夏x, z . c . Li肖w .邹和c,“基于同步优化的混合模型的多步短期风速预测,“应用能源卷,215年,第144 - 131页,2018年。视图:出版商的网站|谷歌学术搜索
30. 研究所国家风、西德克萨斯Mesonet在线引用,http://www.depts.ttu.edu/com, 2018年。

版权

版权©2020玛利亚姆易卜拉欣et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。