ハイブリッドディープラーニングのフレームワークにおける機能融合による短期的な風力発電予測の強化に関する研究

科学分野:

• 再生可能エネルギーシステム
• エネルギーにおける人工知能
• パワーシステム工学 パワーシステム工学

背景:

• 正確な風力発電の予測は,グリッドの安定性と再生可能エネルギー源の統合に不可欠です.
• 風力発電の非線形で複雑な時間的動態は,予測に重大な課題をもたらす.
• 既存の方法は,複雑な時間的依存関係と動的変化を捉えるのに苦労することが多い.

研究 の 目的:

• 短期的な風力発電の予測を強化するためのハイブリッドのディープラーニングモデルの開発と評価.
• 風力発電の複雑な時間的特徴を把握する現在のモデルの限界に対処するために.
• ネットワーク運用のための風力発電予測の正確性と堅実性を向上させる.

主な方法:

• ハイブリッドのディープラーニングモデル,TCN-SENet-BiGRU-Global Attentionが提案されました.
• テンポラルコンボリューションネットワーク (TCN) は,長期的および短期的テンポラル依存性のキャプチャに使用されました.
• Squeeze-and-Excitation Network (SENet) は機能の重みを適応的に調整し,BiGRU (バイディレクショナル・ゲート・リキュアント・ユニット) は時的文脈をモデル化し,グローバル・アテンションは情報的な時間ステップに焦点を当てました.

主要な成果:

• TCN-SENet-BiGRU-Global Attentionモデルは,ベースラインモデルと比較して予測誤差が一貫して低いことを実証しました.
• 提案されたモデルは,複数の現実世界の風力発電所のデータセットでより安定したパフォーマンスを示した.
• 実験結果は,複雑な短期的な風力発電予測の処理におけるモデルの有効性を検証した.

結論:

• TCN-SENet-BiGRU-Global Attentionモデルは,短期的な風力発電の予測のための堅牢で効果的なソリューションを提供します.
• ハイブリッドアーキテクチャは,予測の精度を向上させるために,複数のレベルの機能抽出を成功裏に統合しています.
• このモデルは,再生可能エネルギー管理とグリッドの安定性における実用的な応用の可能性を大きく示しています.