通过堆叠和双向LSTM技术进行短期风力发电预测

科学领域:

• 计算智能是一种计算智能.
• 可再生能源系统可再生能源系统
• 机器学习用于时间序列预测.

背景情况:

• 传统的循环神经网络 (RNN) 与长期的时间依赖性作斗争,导致渐变问题消失.
• 这种限制阻碍了风力预测模型中高效的资源利用.
• 计算智能 (CI) 为提高预测准确性提供了潜在的解决方案.

研究的目的:

• 提出使用长短期记忆 (LSTM) 架构的先进循环神经网络 (RNN) 模型.
• 为了解决风力预测传统RNNs固有的消失梯度问题.
• 提高风力预测模型的训练性能和效率.

主要方法:

• 开发了一个循环神经网络 (RNN) 模型,结合了堆LSTM和双向LSTM架构.
• 使用标准指标评估模型性能:平均绝对误差 (MAE),标准偏差误差 (SDE) 和根平均平方误差 (RMSE).
• 将拟议的模型与使用各种风电场数据集的最新技术进行了比较.

主要成果:

• 拟议的基于LSTM的RNN模型在现有技术上表现出优异的性能,在所有数据集中实现了较低的RMSE和MAE.
• 在较大的风电场数据集中观察到SDE的显著减少.
• 该模型在较少的参数和最小的处理功率要求下取得了可比的结果.

结论:

• 先进的LSTM架构有效地克服了风力预测RNN中的消失梯度问题.
• 拟议的模型提供了一种更高效和有效的风能资源利用方法.
• 这种方法提供了一个强大的和计算效率高的解决方案,以提高风力预测的准确性.