Ilgtermiņa īstermiņa atmiņas periodisko neironu tīklu izmantošana vēja ātruma prognozēšanai

Abstract:

Vēja ātruma prognozēšana ir viena no svarīgākajām un sarežģītākajām problēmām vēja enerģijas prognozēšanā elektroenerģijas ražošanai. Ilgtermiņa īstermiņa atmiņa tika izmantota kā risinājums īstermiņa atmiņai, lai risinātu problēmu, kas saistīta ar gradienta informācijas pazušanu vai eksploziju apmācību procesā, ko piedzīvoja atkārtotais neironu tīkls (RNN), kad to izmanto laika rindu pētīšanai.

Ilgtermiņa atmiņa nav atdalāma no atmiņas. Atmiņa ir diezgan sarežģīts process, kas ietver visus cilvēka smadzeņu aspektus, tostarp sajūtu, uztveri, izziņu, īstenošanu, reakciju utt. Mūsu mērķis ir saglabāt saņemto informāciju ilgtermiņa atmiņā vēlākai izmantošanai.

Šajā procesā svarīgs ir ilgtermiņa īstermiņa atmiņas modelis (LTM). LTM attiecas uz mūsu spēju saglabāt apstrādāto informāciju. Tas ir, LTM palīdz mums saglabāt informāciju no īstermiņa atmiņas smadzenēs. Un atmiņai galvenais mērķis ir ilgtermiņa uzglabāšana.

Mūsu dzīvē daudzi faktori, kas rada ilgtermiņa atmiņu, ir saistīti ar personīgo pieredzi un aktivitātēm. Piemēram, pietiekami ilga saskarsme ar situāciju, lekciju klausīšanās vai atmiņas prasmju uzlabošana var palielināt atmiņu.

Ilgtermiņa īstermiņa atmiņas modeli var vienkārši izskaidrot šādi: Kad mēs pirmo reizi apgūstam kādu informāciju, mēs varam to saglabāt īstermiņa atmiņā. Šī informācija tiks saglabāta noteiktu laiku, taču tā ātri pazudīs. Taču, ja mēs dziļi pārdomāsim šo informāciju vai saistīsim to ar iepriekšējo pieredzi, tā tiks pārnesta uz ilgtermiņa atmiņu.

Tāpēc galvenais, lai uzlabotu mūsu ilgtermiņa atmiņu, ir saglabāt mūsu smadzenes aktīvas, pozitīvas un radošas domāšanas. Mēs varam vingrināt savas smadzenes, lasot grāmatas, spēlējot interaktīvas spēles, izpētot jaunas lietas un rakstot dienasgrāmatas. Jo īpaši cieša mācīšanās un izpētes apvienošana var labāk stiprināt atmiņu.

Īsāk sakot, ilgtermiņa un īstermiņa atmiņas modeļa ietekmei uz atmiņu ir izšķiroša nozīme. Dzīvē un mācībās mums jāpievērš uzmanība un jāpraktizē atmiņa. Ar aktīvu domāšanu un vingrinājumiem mēs varam nepārtraukti uzlabot savas ilgtermiņa atmiņas spējas un vieglāk un efektīvāk apgūt jaunas zināšanas. Var redzēt, ka mums jāuzlabo atmiņa. Cistanche var ievērojami uzlabot atmiņu, jo tā var arī regulēt neirotransmiteru līdzsvaru, piemēram, palielināt acetilholīna un augšanas faktoru līmeni, kas ir ļoti svarīgi atmiņai un mācībām. Turklāt Cistanche var arī uzlabot asins plūsmu un veicināt skābekļa piegādi, kas var nodrošināt, ka smadzenes saņem pietiekamu uzturu un enerģiju, tādējādi uzlabojot smadzeņu vitalitāti un izturību.

Noklikšķiniet uz zināt bagātinātājiem, lai uzlabotu atmiņu

Šajā pētījumā šī problēma tiek risināta, piedāvājot prognozēšanas modeli, kas balstīts uz ilgtermiņa īstermiņa atmiņu un dziļu neironu tīklu, kas izstrādāts, lai prognozētu vēja ātruma vērtības vairākos laika posmos nākotnē.

Laikapstākļu datu bāze Halifaksā, Kanādā, tika izmantota kā avots divām vēja ātrumu sērijām stundā. Prognozēšanas modeļa apmācībai un testēšanai tika izmantoti divi dažādi gadalaiki – pavasaris (2015. gada marts) un vasara (2015. gada jūlijs). Rezultāti parādīja, ka piedāvātā modeļa izmantošana var efektīvi uzlabot vēja ātruma prognozēšanas precizitāti.

Atslēgas vārdi: prognozēšana; ilgtermiņa īstermiņa atmiņa; vairākas laikrindas; RNN; vēja ātrums.

1. Ievads

Vēja ātruma prognozēšana ir ļoti grūts izaicinājums salīdzinājumā ar citiem atmosfēras mainīgajiem lielumiem, un tas ir saistīts ar to haotisko un periodisko raksturu, kas rada grūtības integrēt vēja enerģiju tīklā.

Tā kā vēja ātrums ir viens no attīstītākajiem un lētākajiem zaļās enerģijas avotiem, tā precīza prognozēšana īstermiņā ir kļuvusi par svarīgu lietu un tam ir izšķiroša ietekme uz elektrotīklu. Īstermiņa vēja ātruma prognozēšanai tika izmantotas gan dinamiskās, gan statistiskās metodes, kā arī dažas hibrīdmetodes, kas savieno abas metodes.

Lai palaistu augstas izšķirtspējas skaitlisko laikapstākļu prognozēšanas (NWP) modeļus, ir jāsaprot daudzi tos atbalsta pamatprincipi, tostarp datu asimilācija, zināšanas par to, kā novērtēt NWP modeli telpā un laikā un kā veikt prognožu apstiprināšanu un pārbaudi. Tas var dārgi izmaksāt skaitļošanas laika ziņā.

Uzticamas metodes un paņēmieni vēja ātruma prognozēšanai kļūst arvien svarīgāki vēja resursu raksturošanā un prognozēšanā [1]. Jebkuras prognozes galvenais mērķis ir izveidot, identificēt, pielāgot un apstiprināt laikrindu modeļus.

Laika rindu prognozēšana ir viena no svarīgākajām mašīnmācības un mākslīgā intelekta lietišķajām problēmām kopumā, jo prognozēšanas metožu pilnveidošana ļaus precīzāk prognozēt dažādu faktoru uzvedību vienaldzīgajās jomās. Tradicionāli šādi modeļi ir balstīti uz statistiskās analīzes un matemātiskās modelēšanas metodēm, kas izstrādātas 20. gadsimta 60. un 70. gados [2].

ARIMA modelis tika izmantots, lai prognozētu vēja ātrumu, izmantojot kopējos kļūdu koeficienta mērījumus modeļa prognozēšanas precizitātei [3]. Pēdējā laikā dziļā mācīšanās mašīnmācības kopienā ir ieguvusi ievērojamu popularitāti, jo tā tiek uzskatīta par vispārēju sistēmu, kas atvieglo dziļu neironu tīklu apmācību ar daudziem slēptiem slāņiem [4].

Lielu datu kopu pieejamība apvienojumā ar algoritmu uzlabošanu un skaitļošanas jaudas eksponenciālo pieaugumu izraisīja nepārspējamu intereses pieaugumu par mašīnmācības tēmu.

Šīs metodes izmanto tikai vēsturiskos datus, lai uzzinātu nejaušās atkarības starp pagātni un nākotni. Šo metožu vidū ir atkārtoti neironu tīkli (RNN), kas ir paredzēti, lai uzzinātu datu secību, šķērsojot slēpto stāvokli no viena secības posma uz nākamo, apvienojot to ar ievadi un maršrutējot to uz priekšu un atpakaļ starp ievadēm [5] .

Ilgtermiņa īstermiņa atmiņu balstītais atkārtotais neironu tīkls (LSTM-RNN) ir izmantots, lai prognozētu vēja enerģiju no 1 līdz 24 stundām [6]. Tika veikts salīdzinājums starp LSTM, ekstrēmo mācību mašīnu (ELM) un SVM. Rezultāti liecina, ka dziļās mācīšanās pieejas ir efektīvākas nekā tradicionālās mašīnmācīšanās metodes, lai uzlabotu prognozēšanas precizitāti, izmantojot virziena cilpas neironu tīkla struktūru un īpašu slēptu vienību [7]. Pētījumi liecina, ka NWP modeļu un mākslīgo neironu tīklu savienošana varētu būt izdevīga un nodrošināt labāku precizitāti salīdzinājumā ar parastajām NWP modeļa samazināšanas metodēm [8].

Skaitliskā laikapstākļu prognozēšanas metode (NWP) ir viena no visbiežāk izmantotajām metodēm, un tā ir piemērota ilgtermiņa, nevis īstermiņa un vidēja termiņa prognozēšanai lielā aprēķinu apjoma dēļ [9]. Ir veikta atkārtotu neironu tīklu modeļu vēja ātruma prognozēšanas precizitātes analīze, un tie ir uzrādījuši labākus rezultātus, salīdzinot ar vienfaktoru un daudzfaktoru ARIMA modeļiem [10].

Lineāri un nelineāri autoregresīvie modeļi ar un bez ārējiem mainīgajiem tika izstrādāti, lai prognozētu īstermiņa vēja ātrumu. Modeļu precizitātes mērīšanai tika izmantoti trīs veiktspējas rādītāji, MAE, RMSE un MAPE [11].

Vēja ātruma prognozēšanai tika izmantota LSTM metode, un rezultāti tika salīdzināti ar tradicionālajiem mākslīgā neironu tīkla un autoregresīviem integrētiem mainīgā vidējā modeļiem, piedāvātā metode izrādījās labāki rezultāti [12]. Ilgtermiņa atmiņas modelis (LSTM) tika izveidots, lai prognozētu īstermiņa telpisko un laika vēja ātrumu piecām vietām, izmantojot divu gadu datus par vēsturisko vēja ātrumu un automātisko regresiju.

Modeļa mērķis bija uzlabot prognozēšanas precizitāti īsākā laika posmā. Piemēram, izmantojot LSTM divas vai trīs stundas, var prognozēt horizontus, kas pagarinās līdz piecpadsmit dienām, izmantojot NWP modeli, kas parasti tiek atjaunināts ar sešu stundu biežumu [13]. RNN apmācības ātrums daudzfaktoru laika rindu prognozēšanai parasti ir salīdzinoši lēns, īpaši, ja to izmanto ar lielu tīkla dziļumu.

Pēdējā laikā priekšroka tika dota RNN daudzveidībai, ko sauc par ilgtermiņa atmiņu (LSTM), pateicoties tās izcilajai veiktspējai apmācības fāzē, labāk risinot standarta RNN arhitektūras izzūdošas un eksplodējošas gradienta problēmas [14,15].

Ilgtermiņa īstermiņa atmiņas (LSTM) un temporālo konvolucionālo tīklu (TCN) modeļi tika ierosināti uz datiem balstītai vieglo laikapstākļu prognozēšanai, un to veiktspēja tika salīdzināta ar klasiskajām mašīnmācīšanās pieejām (standarta regresija (SR), atbalsta vektora regresija (SVR), nejaušs mežs (). RF)), statistiskās mašīnmācīšanās pieejas (autoregresīvā integrētā mainīgā vidējā vērtība (ARIMA), vektoru automātiskā regresija (VAR) un vektora kļūdu korekcijas modelis (VECM)) un dinamiskā ansambļa metode (prognozēšanas eksperta arbitrāža (AFE)).

Piedāvātā modeļa rezultāti parāda tā spēju prognozēt efektīvus un precīzus laikapstākļus [16]. Neskatoties uz nepārtrauktu LSTM algoritma pētījumu attīstību vēja ātruma ilgtermiņa prognozēšanā, lielākajā daļā pētījumu joprojām priekšroka tiek dota tradicionālajam RNN prognozēšanas algoritmam.

Šajā darbā uzsvars ir likts uz LSTMalgoritma pielietojumu vēja ātruma prognozēšanas jomā un apmācībai un testēšanai izmantots algoritma prognozēšanas efektivitātes un precizitātes salīdzinājums dažādās vēja ātruma laikrindās.

2. Metodoloģija un datu avots

2.1. Datu avoti

Šajā pētījumā ierosinātais modelis tika ieviests tikai vēja ātruma īstermiņa prognozēšanai, lai izvairītos no lielā skaitļošanas laika, veicot dinamisku samazināšanu, izmantojot NWP modeļus, piemēram, laikapstākļu izpētes un prognozēšanas modeli (WRF). Vēja ātruma dati no Halifaksas Dockyard stacijas Jaunskotijā, kas atrodas 44,66◦ N, 63,58◦ W.

Vēja ātrums tika mērīts 3,80 m augstumā, un tas tika izmantots kā avots diviem dažādiem gadalaikiem – pavasarim (2015. gada marts) un vasarai (2015. gada jūlijā), kā parādīts 1. attēlā.

Abos gadalaikos dati, kas reģistrēti katrā stundā (576 rādījumi/24 dienās) kā novērojumi un (168 rādījumi/7 dienas), attiecīgi kā apmācības un testēšanas grupas. Piedāvātā LSTM ieviešana labi atbilst laikrindu datu kopai, kas var uzlabot apmācības procesa konverģences precizitāti.

2.2. Atkārtoti neironu tīkli

Atkārtoti neironu tīkli (RNN) ir secīgi datu neironu tīkli, kuru mērķis ir paredzēt nākamo soli novērojumu secībā attiecībā pret iepriekšējiem posmiem tajā pašā secībā.

RNN satur slēptus slāņus, kas sadalīti laikā, kas ļauj tiem saglabāt informāciju, kas iegūta iepriekšējos sērijas datu lasīšanas posmos. Vēja ātrums ir atkarīgs no īstermiņa un ilgtermiņa.

Vienkāršais RNN modelis nespēj tikt galā ar ilgtermiņa atkarībām. Viena problēma, kas rodas no RNN izvēršanas, ir tā, ka dažu svaru gradients sāk kļūt pārāk mazs vai pārāk liels, ja tīkls tiek izvērsts pārāk daudz laika posmu.

Šo parādību sauc par izzūdošo gradientu problēmu, un tā var saglabāt īstermiņa atmiņu tikai tāpēc, ka tajā ir iekļautas tikai iepriekšējā laika posma slēptā slāņa aktivizēšanas funkcijas, un tas izraisa informācijas zudumu ilgtermiņā [17,18].

Tīkla arhitektūras veids, kas atrisina šo problēmu, ir LSTM. Tipiskā realizācijā slēptais slānis tiek aizstāts ar sarežģītu skaitļošanas vienību bloku, ko veido vārti, kas bloķē kļūdu blokā, veidojot tā saukto "kļūdu karuseli" [5]. 2. attēlā parādīta RNN struktūra, kurā iepriekš paslēptā slāņa izvade tiek ievadīta pašreizējā slēptajā slānī. RNN modeli izsaka ar

2.2. Atkārtoti neironu tīkli

Atkārtoti neironu tīkli (RNN) ir secīgi datu neironu tīkli, kuru mērķis ir paredzēt nākamo soli novērojumu secībā attiecībā pret iepriekšējiem posmiem tajā pašā secībā. RNN satur slēptus slāņus, kas sadalīti laikā, kas ļauj tiem saglabāt informāciju, kas iegūta iepriekšējos sērijas datu lasīšanas posmos. Vēja ātrums ir atkarīgs no īstermiņa un ilgtermiņa.

Vienkāršais RNN modelis nespēj tikt galā ar ilgtermiņa atkarībām. Viena problēma, kas rodas no RNN izvēršanas, ir tā, ka dažu svaru gradients sāk kļūt pārāk mazs vai pārāk liels, ja tīkls tiek izvērsts pārāk daudz laika posmu. Šo parādību sauc par izzūdošo gradientu problēmu, un tā var saglabāt īstermiņa atmiņu tikai tāpēc, ka tajā ir iekļautas tikai iepriekšējā laika posma slēptā slāņa aktivizēšanas funkcijas, un tas izraisa informācijas zudumu ilgtermiņā [17,18].

Tīkla arhitektūras veids, kas atrisina šo problēmu, ir LSTM. Tipiskā realizācijā slēptais slānis tiek aizstāts ar sarežģītu skaitļošanas vienību bloku, ko veido vārti, kas bloķē kļūdu blokā, veidojot tā saukto "kļūdu karuseli" [5]. 2. attēlā parādīta RNN struktūra, kurā iepriekš paslēptā slāņa izvade tiek ievadīta pašreizējā slēptajā slānī.

RNN modelis tiek izteikts ar to, kur tā ir ieeja, htis ir slēptā slāņa stāvokļa vērtība, tas tiek novērtēts izejas slānī laikā t, kāpēc svars ir no ievades slāņa, kāpēc ir svars aizkavētās izvades laikā t - 1, tanh ir hiperboliskā tangensa kā aktivizācijas funkcija slēptajā slānī, un σ ir sigmoīdā funkcija kā aktivizācijas funkcija izvades slānī.

2.3. Ilgtermiņa īstermiņa atmiņa

Ilgtermiņa īstermiņa atmiņas tīkli ir atkārtota neironu tīkla (RNN) veids, kas izveidots, lai izvairītos no ilgstošas ​​atkarības problēmas, kur katrs neirons satur atmiņas šūnu, kas spēj saglabāt iepriekšējo RNN izmantoto informāciju vai vajadzības gadījumā to aizmirst [19] . Pašlaik to plaši izmanto laika rindu prognozēšanas problēmās.

LSTM-RNN tika izstrādāts no atmiņas šūnas, kas saglabā ilgtermiņa atkarības. Papildus atmiņas šūnai LSTM šūnā ir ieejas vārti, izvades vārti un aizmirstības vārti.

Katrs šūnas vārti saņem pašreizējo ievadi tx, slēpto stāvokli ht−1 iepriekšējā brīdī un šūnas iekšējās atmiņas stāvokļa informāciju Ct−1, lai veiktu dažādas darbības un noteiktu, vai aktivizēt, izmantojot loģisko funkciju. Vienības stāvokli ht, izvadi laikā t un ieejas slēpto stāvokli laikā t1 nosaka nelineāri aktivizējot tanh ( ) un izejas vārtu informāciju.

3. Rezultāti un diskusija

Šajā pētījumā MATLAB programmatūra (R2019b) tika izmantota LSTM apmācības procesam, kas ir uzlabota RNN arhitektūra, lai prognozētu secības turpmāko laika posmu vērtības. Secību regresijas tīkls tika apmācīts LSTM secībai, kur atbildes ir apmācības secības ar mainīgām vērtībām vienā laika posmā.

Tas ir, katrā ievades secības laika posmā LSTM tīkls iemācās paredzēt nākamā laika soļa vērtību. Šajā darbā, lai vispusīgi un sistemātiski novērtētu piedāvātā modeļa efektivitāti un pielietojamību, tika atlasītas divas datu sērijas par vēja ātrumu diviem dažādiem gadalaikiem to atšķirīgo klimatisko īpašību dēļ, kas ir attiecīgi pavasaris (2015. gada marts) un vasara (2015. gada jūlijs). ).

Katra datu sērija tika sadalīta attiecīgi 1–576 (24 dienas) kā novērojumi un 577–744 (7 dienas) kā apmācības un testa grupas. Apmācības dati ir standartizēti, lai tiem būtu nulles vidējā un vienības dispersijas prognozēšanas laiks, lai novērstu apmācību novirzes. Labākais apmācības parametrs, lai iegūtu zemāko RMSE, tiek atrasts, izmantojot sākotnējo mācīšanās ātrumu 0.005.

4. un 5. attēlā parādīts novēroto vērtību salīdzinājums ar prognozētajām stundas vēja ātruma rindu vērtībām, kas savāktas attiecīgi pavasarī (2015. gada 1.–31. marts) un vasarā (2015. gada 1.–31. jūlijs), lai novērtētu LSTM, kas tika apmācīts vienu reizi ( iepriekšējās prognozes vērtība) un atkārtoti izmanto, lai prognozētu katru laika posmu starp prognozēm, ko attēlo (2)–(4) vienādojumi. Tas nozīmē, ka atjauninājumi netiek veikti, tiklīdz modelis pirmo reizi atbilst apmācības datiem, un šajā gadījumā modelis tiek saukts par fiksēto modeli, jo nav atjauninājumu.

LSTM tīkla apmācības iespējas tika atlasītas 200 slēptajiem moduļiem. Sākotnējais mācīšanās ātrums ir 0,005, un maksimālais iterāciju skaits ir 250. Gradienta slieksnis ir iestatīts uz 1, lai novērstu gradientu eksploziju. Mācīšanās ātrums tiek samazināts pēc 125 epohiem, reizinot ar koeficientu 0,2. Gan 6., gan 7. attēlā LSTM ir atjaunināts ar jauniem datiem laika rindu prognozēšanai, izmantojot prognozētās vērtības un atjauninātās stāvokļa vērtības no testa kopas un darītas pieejamas nākamā laika posma prognozes modelis Īpaši modificētaisLSTM pieņēmis Ct−1 ievades, aizmirstības un izejas vārtiem.

Tas ir tāpēc, ka katru reizi, kad LSTM turpinās, Ct−1 ietekmē LSTM ievadi, aizmirstību un izvadi. Visas prognozes tiek apkopotas testa datu kopā, un tiek aprēķināts kļūdu rādītājs, lai apkopotu modeļa prasmes. Vidējā kvadrātiskā kļūda (RMSE) tiek izmantota, jo tā soda par lielām kļūdām un nodrošina rezultātu tādās pašās vienībās kā prognozētie dati, kas ir vēja ātrums stundā.

Šeit prognozes ir precīzākas, atjauninot tīkla stāvokli ar novērotajām vērtībām, nevis prognozētajām vērtībām. No rezultātiem redzams, ka abās sērijās Pavasaris (2015. gada marts) un vasara (2015. gada jūlijs) RMSE vērtība, izmantojot LSTM atjauninājumu, samazinājās attiecīgi par 4.5845 un 4.9392, un tas ir saistīts ar katras atšķirīgajām īpašībām.

Šajā darbā un balstoties uz dažādiem iepriekšējiem pētījumiem pēc dažādiem modeļiem, ir atzīmēts, ka prognozēšanas modeļu precizitāte atšķiras atkarībā no informācijas dažādajām īpašībām, un tāpēc līdz šim nav sasniegts neviens modelis, kas strādātu ar tādu pašu precizitāti ar dažādu informāciju. . 1. tabulā ir parādītas kļūdas divām datu sērijām (2015. gada jūlijs) un (2015. gada marts) ierosinātajā LSTM modelī, izmantojot RMSE kļūdu metriku.

4. Secinājumi

Precīzs vēja ātruma avotu prognozēšanas modelis ir nepieciešams, lai sniegtu būtisku informāciju tīklu operatoriem un sistēmu projektētājiem optimālas vēja elektrostacijas ģenerēšanai un līdzsvarotu piedāvājumu un pieprasījumu enerģijas tirgū.

Šajā pētījumā vēja ātruma prognozēšanai ir ierosināta modificēta ilgtermiņa īstermiņa atmiņa (LSTM). Tā kā var piekļūt faktiskajai laika soļu vērtībai starp prognozēm, vēja ātrums tiek prognozēts, atjauninot tīkla stāvokli katrā prognozē, izmantojot novēroto vērtību, nevis vārtus.

Tas ir tāpēc, ka katru reizi, kad LSTM turpinās, šūnas stāvoklis ietekmē LSTM ievadi, aizmirst un izvadi. Modeļa rezultāti parādīja labāku vēja ātruma prognozēšanas precizitāti.

Autora ieguldījums: Conceptualization, ME; metodika, ME; programmatūra, ME; validācija, ME;formālā analīze, ME un AM; rakstīšana-Oriģinālā projekta sagatavošana, ME; rakstīšana-pārskatīšana un rediģēšana, AM; uzraudzība, AM; projekta administrācija, AM Visi autori ir izlasījuši un piekrituši publicētajai manuskripta versijai.

Finansējums: šo pētījumu daļēji finansēja Lībijas Izglītības ministrija, granta numurs 3772.

Institucionālās pārbaudes padomes paziņojums: nav piemērojams.

Paziņojums par informētu piekrišanu: Nav piemērojams.

Paziņojums par datu pieejamību: Nav piemērojams.

Interešu konflikti: autori paziņo, ka nav interešu konflikta.

Atsauces

1. Monfared, M.; Rastegars, H.; Kojabadi, HM Jauna stratēģija vēja ātruma prognozēšanai, izmantojot mākslīgi viedās metodes. Atjaunot.Enerģētika 2009, 34, 845–848. [CrossRef]

2. Kaste, GE; Dženkinss, GM; Reinsel, GC; Ljung, GM Time Series Analysis: Forecasting and Control, 5. izdevums; John Wiley & Sons: Hoboken, NJ, ASV, 2015; 129.–171.lpp.

3. Elsaraiti, M.; Merabet, A.; Al-Durra, A. Laika rindu analīze un vēja ātruma datu prognozēšana. In Proceedings of the IEEEIndustry Applications Society Annual Meeting, Baltimora, MD, ASV, 2019. gada 29. septembris–3. oktobris; 1.–5.lpp.

4. Jadavs, AP; Kumar, A.; Behera, L. Uz RNN balstīta saules starojuma prognozēšana, izmantojot adaptīvo mācīšanās ātrumu. Starptautiskajā konferencē par baru, evolucionāro un memētisko skaitļošanu; Springer: Cham, Šveice, 2013; 442.–452.lpp.

5. Hohreiters, S.; Schmidhuber, J. Ilgtermiņa īstermiņa atmiņa. Neironu skaitļošana. 1997, 9, 1735–1780. [CrossRef] [PubMed]

6. Kumar, D.; Mathur, HD; Bhanot, S.; Bansal, RC Saules un vēja enerģijas prognozēšana, izmantojot LSTM RNN slodzes frekvences kontrolei izolētā mikrotīklā. Int. J. Modelis. Simul. 2020. [CrossRef]

7. Ši, X.; Lei, X.; Huangs, Q.; Huangs, S.; Rens, K.; Hu, Y. Vēja enerģijas prognoze katru stundu uz priekšu, izmantojot variācijas modeļa sadalīšanās un ilgtermiņa īstermiņa atmiņas hibrīda modeli. Enerģijas 2018, 11, 3227. [CrossRef]

8. Rodrigess, ER; Oliveira, I.; Cunha, R.; Netto, M. DeepDownscale: Deep Learning Strategy for High-Resolution Weather Forecast. In Proceedings of the 2018 IEEE 14th International Conference on e-Science (e-Science), Amsterdama, Nīderlande, 2018. gada 29. oktobris–1. novembris; IEEE: Ņujorka, NY, ASV, 2018; 415.–422.lpp.

9. Čens, N.; Cjaņs, Z.; Nabnijs, IT; Meng, X. Vēja enerģijas prognozes, izmantojot Gausa procesus un skaitliskās laika prognozes.IEEE Trans. Barošanas sistēma. 2013, 29, 656–665. [CrossRef]

10. Cao, Q.; Jūings, BT; Thompson, MA Vēja ātruma prognozēšana ar atkārtotiem neironu tīkliem. Eur. J. Oper. Res. 2012, 221,148–154. [CrossRef]

11. Lidija, M.; Kumar, SS; Selvakumars, AI; Kumar, GE Lineārie un nelineārie autoregresīvie modeļi īstermiņa vēja ātruma prognozēšanai. Enerģijas pārvērš. Manag. 2016, 112., 115.–124. [CrossRef]

12. Gaderi, A.; Sanandaji, BM; Ghaderi, F. Deep Forecast: Deep Learning-Based Spatio-Temporal Forecasting; Kornela universitāte: Ithaca, NY, ASV, 2017.

For more information:1950477648nn@gmail.com