评估机器学习和深度学习模型,以从环境因素中预测风力轮机功率输出.

科学领域:

• 可再生能源系统可再生能源系统
• 计算智能是一种计算智能.
• 环境工程 环境工程

背景情况:

• 精确的风力轮机输出功率预测对于电网整合和能源管理至关重要.
• 机器学习 (ML) 和深度学习 (DL) 为提高预测准确性提供了有希望的方法.

研究的目的:

• 对各种ML和DL模型进行全面的比较分析,以预测风力轮机输出功率.
• 使用R平方,MAE和RMSE等关键指标评估模型性能.
• 确定用于预测风能发电的最有效算法.

主要方法:

• 评估了一组多样化的ML模型,包括线性回归,支持向量回归器,随机森林,额外树木,自适应提升,分类提升,极端梯度提升和轻梯度提升机.
• 评估了深度学习模型,如人工神经网络 (ANN),长期短期记忆 (LSTM),循环神经网络 (RNN) 和卷积神经网络 (CNN).
• 利用了4万个观测数据集,并应用了诸如特征缩放和参数调整等预处理技术.

主要成果:

• 额外树木 (ET) 在ML模型中表现最高,达到0.7231的R平方和0.1512.15的RMSE.
• 人工神经网络 (ANN) 在DL模型中表现最好,R平方为0.7248和RMSE为0.1516.
• DL模型,特别是ANN,表现出略高的性能,表明在建模非线性依赖性方面具有更好的能力.

结论:

• 深度学习模型,特别是ANN,与性能最高的ML模型相比,为风力轮机功率输出提供了更高的预测精度.
• 该研究强调了先进的计算方法在优化可再生能源系统方面的潜力.
• 预处理技术有助于显著提高模型性能和预测准确度.