基于混合注意力的深度神经网络,用于使用沙漠地区的气象数据进行短期风力发电预测
Moussa Belletreche1, Nadjem Bailek2,3, Mostafa Abotaleb4
1Department of Matter Sciences, Faculty of Matter Sciences, Mathematics, and Computer Science, Ahmed Draia University of Adrar, Adrar, 01000, Algeria.
Scientific reports
|September 18, 2024
概括
本研究提出了一个优化的混合深度学习模型,用于在沙漠中准确的短期风能预测. Conv-DA-LSTM模型显著提高了预测准确度,特别是对于更高的风速,提高了可再生能源管理.
科学领域:
- 可再生能源系统可再生能源系统
- 人工智能的人工智能
- 气象学 天气学
背景情况:
- 准确的短期风能预测对于电网稳定性和高效的可再生能源管理至关重要.
- 由于气象条件的变化,沙漠地区对风力发电和预报具有独特的挑战.
研究的目的:
- 开发和评估一种优化的混合深度学习方法,用于沙漠环境中的短期风能预测.
- 将深度学习模型的性能与使用各种性能指标的经典技术进行比较.
主要方法:
- 实现并优化了长期短期记忆 (LSTM) 和卷积双重注意长期短期记忆 (Conv-DA-LSTM) 深度学习架构.
- 利用气象数据进行一年的预报,测试不同风速类别的模型.
- 对所选的深度学习模型进行了超参数优化.
主要成果:
- 深度学习方法在风能预测中始终优于经典技术.
- Conv-DA-LSTM模型实现了最佳性能,具有最低的错误率 (RMSE: 71.866) 和最高的精度 (R2: 0.93).
- 优化导致较高风速的22.9%改善,并持续每月减少RRMSE (1.6%至10.2%).
结论:
- 先进的深度学习技术,特别是混合式Conv-DA-LSTM方法,显著提高了沙漠地区风能预测的准确性.
- 开发的方法通过更可预测的风能资源评估,为改善可再生能源管理提供了一个有希望的方向.
- 优化预测使风力发电的资源分配和电网集成更有效.
