Anwendung wiederkehrender neuronaler Netze mit Langzeit-Kurzzeitspeicher zur Vorhersage der Windgeschwindigkeit

Abstrakt:

Die Vorhersage der Windgeschwindigkeit ist eines der wichtigsten und anspruchsvollsten Probleme bei der Windkraftvorhersage für die Stromerzeugung. Das lange Kurzzeitgedächtnis wurde als Lösung für das Kurzzeitgedächtnis verwendet, um das Problem des Verschwindens oder der Explosion von Gradienteninformationen während des Trainingsprozesses anzugehen, den das rekurrente neuronale Netzwerk (RNN) bei der Untersuchung von Zeitreihen erfährt.

Das Langzeitgedächtnis ist untrennbar mit dem Gedächtnis verbunden. Das Gedächtnis ist ein ziemlich komplexer Prozess, der alle Aspekte des menschlichen Gehirns umfasst, einschließlich Empfindung, Wahrnehmung, Erkenntnis, Umsetzung, Reaktion usw. Unser Ziel ist es, die Informationen, die wir erhalten, für die spätere Verwendung im Langzeitgedächtnis zu speichern.

Dabei spielt das Long-Short-Term-Memory-Modell (LTM) eine wichtige Rolle. LTM bezieht sich auf unsere Fähigkeit, verarbeitete Informationen zu speichern. Das heißt, LTM hilft uns, Informationen aus dem Kurzzeitgedächtnis im Gehirn zu speichern. Und für das Gedächtnis ist die Langzeitspeicherung das ultimative Ziel.

In unserem Leben hängen viele Faktoren, die das Langzeitgedächtnis hervorbringen, mit persönlichen Erfahrungen und Aktivitäten zusammen. Wenn Sie sich beispielsweise über einen ausreichend langen Zeitraum einer Situation aussetzen, einer Vorlesung zuhören oder Ihr Gedächtnis verbessern, kann dies zu einer Steigerung des Gedächtnisses führen.

Das Long-Short-Term-Gedächtnis-Modell lässt sich einfach wie folgt erklären: Wenn wir zum ersten Mal eine Information lernen, können wir sie im Kurzzeitgedächtnis speichern. Diese Informationen werden für eine bestimmte Zeit gespeichert, verschwinden jedoch schnell wieder. Wenn wir jedoch intensiv über diese Informationen nachdenken oder sie mit früheren Erfahrungen verknüpfen, werden sie ins Langzeitgedächtnis übertragen.

Daher liegt der Schlüssel zur Verbesserung unseres Langzeitgedächtnisses darin, unser Gehirn aktiv, positiv und kreativ zu denken. Wir können unser Gehirn trainieren, indem wir Bücher lesen, interaktive Spiele spielen, neue Dinge erkunden und Tagebücher schreiben. Insbesondere die enge Kombination von Lernen und Erkunden kann das Gedächtnis besser stärken.

Kurz gesagt, der Einfluss des Langzeit- und Kurzzeitgedächtnismodells auf das Gedächtnis ist entscheidend. Im Leben und Lernen müssen wir auf das Gedächtnis achten und es üben. Durch aktives Denken und Bewegung können wir unser Langzeitgedächtnis kontinuierlich verbessern und neues Wissen einfacher und effektiver erlernen. Es ist ersichtlich, dass wir unser Gedächtnis verbessern müssen. Cistanche kann das Gedächtnis erheblich verbessern, da es auch das Gleichgewicht der Neurotransmitter regulieren kann, beispielsweise durch die Erhöhung des Acetylcholinspiegels und der Wachstumsfaktoren, die für das Gedächtnis und das Lernen sehr wichtig sind. Darüber hinaus kann Cistanche auch die Durchblutung verbessern und die Sauerstoffversorgung fördern, wodurch sichergestellt werden kann, dass das Gehirn ausreichend Nährstoffe und Energie erhält, wodurch die Vitalität und Ausdauer des Gehirns verbessert werden.

Klicken Sie auf „Ergänzungen zur Verbesserung des Gedächtnisses kennen“.

In dieser Studie wird dieses Problem angegangen, indem ein Vorhersagemodell vorgeschlagen wird, das auf dem Langzeitgedächtnis und einem tiefen neuronalen Netzwerk basiert und entwickelt wurde, um die Windgeschwindigkeitswerte mehrerer Zeitschritte in der Zukunft vorherzusagen.

Als Quelle für zwei Serien von Windgeschwindigkeiten pro Stunde wurde die Wetterdatenbank in Halifax, Kanada, verwendet. Zwei unterschiedliche Jahreszeiten, Frühling (März 2015) und Sommer (Juli 2015), wurden zum Training und Testen des Prognosemodells verwendet. Die Ergebnisse zeigten, dass die Verwendung des vorgeschlagenen Modells die Genauigkeit der Windgeschwindigkeitsvorhersage effektiv verbessern kann.

Schlüsselwörter: Prognose; Langzeit-Kurzzeitgedächtnis; mehrere Zeitreihen; RNN; Windgeschwindigkeit.

1. Einführung

Die Vorhersage der Windgeschwindigkeit ist im Vergleich zu anderen Variablen der Atmosphäre eine sehr schwierige Herausforderung. Dies liegt an ihrer chaotischen und intermittierenden Natur, die die Integration der Windenergie in das Netz erschwert.

Da die Windgeschwindigkeit eine der am weitesten entwickelten und kostengünstigsten grünen Energiequellen ist, ist ihre genaue Vorhersage kurzfristig zu einer wichtigen Angelegenheit geworden und hat entscheidende Auswirkungen auf das Stromnetz. Zur Vorhersage der kurzfristigen Windgeschwindigkeit wurden sowohl dynamische als auch statistische Methoden sowie einige Hybridmethoden, die die beiden Methoden koppeln, angewendet.

Die Ausführung hochauflösender numerischer Wettervorhersagemodelle (NWP) erfordert ein Verständnis vieler Grundprinzipien, die sie unterstützen, einschließlich der Datenassimilation, Kenntnisse darüber, wie das NWP-Modell in Raum und Zeit geschätzt wird und wie die Validierung und Verifizierung von Vorhersagen durchgeführt wird. Dies kann hinsichtlich der Rechenzeit kostspielig sein.

Zuverlässige Methoden und Techniken zur Vorhersage der Windgeschwindigkeit werden für die Charakterisierung und Vorhersage von Windressourcen immer wichtiger [1]. Der Hauptzweck jeder Prognose besteht darin, Zeitreihenmodelle zu erstellen, zu identifizieren, abzustimmen und zu validieren.

Die Vorhersage von Zeitreihen ist eines der wichtigsten angewandten Probleme des maschinellen Lernens und der künstlichen Intelligenz im Allgemeinen, da die Verbesserung der Prognosemethoden es ermöglichen wird, das Verhalten verschiedener Faktoren in verschiedenen Bereichen genauer vorherzusagen. Traditionell basieren solche Modelle auf den in den 1960er und 1970er Jahren entwickelten Methoden der statistischen Analyse und mathematischen Modellierung [2].

Das ARIMA-Modell wurde zur Vorhersage der Windgeschwindigkeit unter Verwendung gängiger Fehlerverhältnismaße für die Modellvorhersagegenauigkeit verwendet [3]. In letzter Zeit hat Deep Learning in der Community des maschinellen Lernens erheblich an Popularität gewonnen, da es als allgemeines Framework gilt, das das Training tiefer neuronaler Netze mit vielen verborgenen Schichten erleichtert [4].

Die Verfügbarkeit großer Datensätze in Kombination mit der Verbesserung der Algorithmen und dem exponentiellen Wachstum der Rechenleistung führten zu einem beispiellosen Anstieg des Interesses am Thema maschinelles Lernen.

Diese Methoden verwenden ausschließlich historische Daten, um die zufälligen Abhängigkeiten zwischen der Vergangenheit und der Zukunft zu lernen. Zu diesen Methoden gehören wiederkehrende neuronale Netze (RNNs), die darauf ausgelegt sind, eine Datensequenz zu lernen, indem sie einen verborgenen Zustand von einem Schritt der Sequenz zum nächsten durchlaufen, mit der Eingabe kombinieren und sie zwischen den Eingaben hin und her leiten [5]. .

Ein auf dem Langzeitgedächtnis basierendes wiederkehrendes neuronales Netzwerk (LSTM-RNN) wurde zur Vorhersage der Windkraft für 1 bis 24 Stunden im Voraus verwendet [6]. Es wurde ein Vergleich zwischen LSTM, Extreme Learning Machine (ELM) und SVM durchgeführt. Die Ergebnisse haben gezeigt, dass Deep-Learning-Ansätze bei der Verbesserung der Vorhersagegenauigkeit durch die Struktur des neuronalen Netzwerks mit Richtungsschleife und einer speziellen versteckten Einheit effektiver sind als herkömmliche Methoden des maschinellen Lernens [7]. Studien deuten darauf hin, dass die Kopplung von NWP-Modellen und künstlichen neuronalen Netzen vorteilhaft sein und im Vergleich zu herkömmlichen Herunterskalierungsmethoden für NWP-Modelle eine bessere Genauigkeit bieten könnte [8].

Die numerische Wettervorhersagemethode (NWP) ist eine der am häufigsten verwendeten Methoden und eignet sich aufgrund des großen Rechenaufwands eher für langfristige als für kurzfristige und mittelfristige Vorhersagen [9]. Es wurde eine Analyse der Genauigkeit der Vorhersage der Windgeschwindigkeit der rekurrenten neuronalen Netzwerkmodelle durchgeführt und sie haben im Vergleich zu den univariaten und multivariaten ARIMA-Modellen bessere Ergebnisse geliefert [10].

Zur Vorhersage kurzfristiger Windgeschwindigkeiten wurden lineare und nichtlineare autoregressive Modelle mit und ohne externe Variablen entwickelt. Drei Leistungsmetriken, MAE, RMSE und MAPE, wurden verwendet, um die Genauigkeit der Modelle zu messen [11].

Zur Vorhersage der Windgeschwindigkeit wurde die LSTM-Methode verwendet und die Ergebnisse mit traditionellen künstlichen neuronalen Netzwerken und autoregressiven integrierten gleitenden Durchschnittsmodellen verglichen. Die vorgeschlagene Methode erwies sich als bessere Ergebnisse [12]. Das Langzeitgedächtnismodell (LSTM) wurde zur kurzfristigen räumlich-zeitlichen Windgeschwindigkeitsvorhersage für fünf Standorte unter Verwendung von Zweijahresdaten für historische Windgeschwindigkeit und automatischer Regression erstellt.

Das Modell zielte darauf ab, die Prognosegenauigkeit für einen kürzeren Zeithorizont zu verbessern. Beispielsweise können durch die Verwendung von LSTM für zwei oder drei Stunden Horizonte von bis zu fünfzehn Tagen vorhergesagt werden, wobei ein NWP-Modell verwendet wird, das sich typischerweise mit einer Häufigkeit von sechs Stunden aktualisiert [13]. Die Trainingsgeschwindigkeit von RNNs zur Vorhersage multivariater Zeitreihen ist normalerweise relativ langsam, insbesondere wenn sie mit großer Netzwerktiefe verwendet werden.

Kürzlich wurde eine RNN-Variante namens Langzeitgedächtnis (LSTM) bevorzugt, da sie während der Trainingsphase eine bessere Leistung bietet, indem sie verschwindende und explodierende Gradientenprobleme der Standard-RNN-Architektur besser löst [14,15].

Für datengesteuerte Leichtwettervorhersagen wurden Modelle mit langem Kurzzeitgedächtnis (LSTM) und zeitlichen Faltungsnetzwerken (TCN) vorgeschlagen und ihre Leistung mit klassischen Ansätzen des maschinellen Lernens (Standardregression (SR), Support-Vektor-Regression (SVR), Random Forest) verglichen. RF)), statistische maschinelle Lernansätze (Autoregressive Integrated Moving Average (ARIMA), Vector Auto Regression (VAR) und Vector Error Correction Model (VECM)) und dynamische Ensemble-Methode (Arbitrage of Forecasting Expert (AFE)).

Die Ergebnisse des vorgeschlagenen Modells zeigen seine Fähigkeit, effektives und genaues Wetter vorherzusagen [16]. Trotz der kontinuierlichen Weiterentwicklung der Forschung zum LSTM-Algorithmus zur langfristigen Vorhersage der Windgeschwindigkeit wird in den meisten Forschungsarbeiten immer noch der traditionelle RNN-Algorithmus zur Vorhersage bevorzugt.

In diesem Artikel wurde der Schwerpunkt auf die Anwendung des LST-Algorithmus im Bereich der Vorhersage der Windgeschwindigkeit gelegt und ein Vergleich zwischen Vorhersageeffizienz und Genauigkeit des Algorithmus unter verschiedenen Zeitreihen der Windgeschwindigkeit wurde zum Training und Testen verwendet.

2. Methodik und Datenquelle

2.1. Datenquellen

In dieser Studie wurde das vorgeschlagene Modell nur für die kurzfristige Vorhersage der Windgeschwindigkeit implementiert, um die hohe Rechenzeit für die dynamische Herunterskalierung mithilfe von NWP-Modellen wie dem Weather Research and Forecasting Model (WRF) zu vermeiden. Windgeschwindigkeitsdaten von der Halifax Dockyard-Station in Nova Scotia, die sich auf dem Breitengrad 44,66◦ N und dem Längengrad 63,58◦ W befindet.

Die Windgeschwindigkeit wurde in einer Höhe von 3,80 m gemessen und als Quelle für zwei verschiedene Jahreszeiten verwendet, Frühling (März 2015) und Sommer (Juli 2015), wie in Abbildung 1 dargestellt.

Für beide Jahreszeiten wurden die Daten zu jeder Stunde (576 Lesungen/24 Tage) als Beobachtungen bzw. (168 Lesungen/7 Tage) als Trainings- und Testgruppen aufgezeichnet. Die vorgeschlagene LSTM-Implementierung passt gut zum Zeitreihendatensatz, der kann die Konvergenzgenauigkeit des Trainingsprozesses verbessern.

2.2. Wiederkehrende neuronale Netze

Rekurrente neuronale Netze (RNNs) sind sequentielle datenbasierte neuronale Netze, deren Zweck darin besteht, den nächsten Schritt in einer Beobachtungssequenz relativ zu vorherigen Schritten in derselben Sequenz vorherzusagen.

RNNs enthalten über die Zeit verteilte verborgene Schichten, die es ihnen ermöglichen, Informationen zu speichern, die in früheren Phasen des Lesens serieller Daten erhalten wurden. Windgeschwindigkeithängt kurz- und langfristig ab.

Das einfache RNN-Modell ist nicht in der Lage, langfristige Abhängigkeiten zu verarbeiten. Ein Problem, das sich aus der Entfaltung eines RNN ergibt, besteht darin, dass der Gradient einiger Gewichte zu klein oder zu groß wird, wenn das Netzwerk über zu viele Zeitschritte entfaltet wird.

Dieses Phänomen wird als Problem des verschwindenden Gradienten bezeichnet und kann nur im Kurzzeitgedächtnis gespeichert werden, da es lediglich die Funktion umfasst, die verborgene Schicht des vorherigen Zeitschritts zu aktivieren, was langfristig zu einem Informationsverlust führt [17,18].

Eine Art Netzwerkarchitektur, die dieses Problem löst, ist das LSTM. In einer typischen Implementierung wird die verborgene Schicht durch einen komplexen Block von Recheneinheiten ersetzt, der aus Gattern besteht, die den Fehler im Block abfangen und so ein sogenanntes „Fehlerkarussell“ bilden [5]. Abbildung 2 zeigt die RNN-Struktur, bei der die Ausgabe der zuvor verborgenen Schicht in die aktuelle verborgene Schicht eingegeben wird. Das RNN-Modell wird ausgedrückt durch

2.2. Wiederkehrende neuronale Netze

Rekurrente neuronale Netze (RNNs) sind sequentielle datenbasierte neuronale Netze, deren Zweck darin besteht, den nächsten Schritt in einer Beobachtungssequenz relativ zu vorherigen Schritten in derselben Sequenz vorherzusagen. RNNs enthalten über die Zeit verteilte verborgene Schichten, die es ihnen ermöglichen, Informationen zu speichern, die in früheren Phasen des Lesens serieller Daten erhalten wurden. Windgeschwindigkeithängt kurz- und langfristig ab.

Das einfache RNN-Modell ist nicht in der Lage, langfristige Abhängigkeiten zu verarbeiten. Ein Problem, das sich aus der Entfaltung eines RNN ergibt, besteht darin, dass der Gradient einiger Gewichte zu klein oder zu groß wird, wenn das Netzwerk über zu viele Zeitschritte entfaltet wird. Dieses Phänomen wird als Problem des verschwindenden Gradienten bezeichnet und kann nur im Kurzzeitgedächtnis gespeichert werden, da es lediglich die Funktion umfasst, die verborgene Schicht des vorherigen Zeitschritts zu aktivieren, was langfristig zu einem Informationsverlust führt [17,18].

Eine Art Netzwerkarchitektur, die dieses Problem löst, ist das LSTM. In einer typischen Implementierung wird die verborgene Schicht durch einen komplexen Block von Recheneinheiten ersetzt, der aus Gattern besteht, die den Fehler im Block abfangen und so ein sogenanntes „Fehlerkarussell“ bilden [5]. Abbildung 2 zeigt die RNN-Struktur, bei der die Ausgabe der zuvor verborgenen Schicht in die aktuelle verborgene Schicht eingegeben wird.

Das RNN-Modell wird dadurch ausgedrückt, dass es die Eingabe ist, h der Zustandswert der verborgenen Schicht ist, es zum Zeitpunkt t auf der Ausgabeschicht bewertet wird, warum das Gewicht von der Eingabeschicht ist und warum das Gewicht für die verzögerte Ausgabe zum Zeitpunkt t − ist In 1 ist tanh der hyperbolische Tangens als Aktivierungsfunktion auf der verborgenen Schicht und σ ist die Sigmoidfunktion als Aktivierungsfunktion auf der Ausgabeschicht.

2.3. Langes Kurzzeitgedächtnis

Lange Kurzzeitgedächtnisnetzwerke sind eine Art rekurrentes neuronales Netzwerk (RNN), das das Problem der Langzeitabhängigkeit vermeiden soll, wobei jedes Neuron eine Speicherzelle enthält, die in der Lage ist, die zuvor vom RNN verwendeten Informationen zu speichern oder sie bei Bedarf zu vergessen [19] . Derzeit wird es häufig und erfolgreich bei Problemen bei der Vorhersage von Zeitreihen eingesetzt.

LSTM-RNN wurde aus einer Speicherzelle entwickelt, die langfristige Abhängigkeiten speichert. Zusätzlich zur Speicherzelle enthält die LSTM-Zelle ein Eingangs-Gate, ein Ausgangs-Gate und ein Vergessens-Gate.

Jedes Gatter in der Zelle empfängt den aktuellen Eingang tx, den verborgenen Zustand ht-1 im vorherigen Moment und die Zustandsinformationen Ct-1 des internen Speichers der Zelle, um verschiedene Operationen auszuführen und mithilfe einer Logikfunktion zu bestimmen, ob eine Aktivierung erfolgen soll. Der Zustand ht der Einheit, der Ausgang zum Zeitpunkt t und der verborgene Eingangszustand zum Zeitpunkt t1 werden durch nichtlineare Aktivierung von tanh ( ) und den Informationen des Ausgangsgatters bestimmt.

3. Ergebnisse und Diskussion

In dieser Studie wurde die MATLAB-Software (R2019b) für den Trainingsprozess des LSTM verwendet, einer fortschrittlichen Architektur für RNN zur Vorhersage der Werte zukünftiger Zeitschritte einer Sequenz. Das Sequenzregressionsnetzwerk wurde auf die LSTM-Sequenz trainiert, wobei es sich bei den Antworten um Trainingssequenzen mit sich ändernden Werten in einem Zeitschritt handelt.

Das heißt, für jeden Zeitschritt der Eingabesequenz lernt das LSTM-Netzwerk, den Wert des nächsten Zeitschritts vorherzusagen. Um die Wirksamkeit und Anwendbarkeit des vorgeschlagenen Modells umfassend und systematisch zu bewerten, wurden in dieser Arbeit zwei Datenreihen für die Windgeschwindigkeit für zwei verschiedene Jahreszeiten aufgrund ihrer unterschiedlichen klimatischen Eigenschaften ausgewählt, nämlich Frühling (März 2015) und Sommer (Juli 2015). ).

Jede Datenreihe wurde in 1–576 (24 Tage) als Beobachtungen und 577–744 (7 Tage) als Trainings- und Testgruppen unterteilt. Trainingsdaten wurden so standardisiert, dass sie zum Vorhersagezeitpunkt einen Mittelwert von Null und eine Einheitsvarianz aufweisen, um Abweichungen beim Training zu verhindern. Der beste Trainingsparameter zum Erhalten des niedrigsten RMSE wird mit einer anfänglichen Lernrate von 0.005 ermittelt.

Die Abbildungen 4 und 5 zeigen den Vergleich der beobachteten Werte mit den vorhergesagten Werten stündlicher Windgeschwindigkeitsreihen, die im Frühjahr (1.–31. März 2015) bzw. im Sommer (1.–31. Juli 2015) zur Auswertung des LSTM gesammelt wurden, das einmal trainiert wurde (der). Wert der vorherigen Vorhersage) und wiederverwendet, um jeden Zeitschritt zwischen den Vorhersagen vorherzusagen, der durch die Gleichungen (2)–(4) dargestellt wird. Dies bedeutet, dass keine Aktualisierungen vorgenommen werden, sobald das Modell zum ersten Mal mit den Trainingsdaten übereinstimmt. Das Modell wird in diesem Fall als festes Modell bezeichnet, da es keine Aktualisierungen gibt.

Für 200 versteckte Module wurden LSTM-Netzwerktrainingsoptionen ausgewählt. Die anfängliche Lernrate beträgt 0,005 und die maximale Anzahl von Iterationen ist auf 250 festgelegt. Der Gradientenschwellenwert ist auf 1 gesetzt, um zu verhindern, dass die Gradienten explodieren. Die Lernrate wird nach 125 Epochen durch Multiplikation mit einem Faktor 0,2 gesenkt. In den Abbildungen 6 und 7 wurde das LSTM mit neuen Daten für die Zeitreihenvorhersage aktualisiert, indem die vorhergesagten Werte und die aktualisierten Zustandswerte aus dem Testsatz verwendet und zur Verfügung gestellt wurden Das Modell für die Vorhersage des nächsten Zeitschritts. Insbesondere hat das modifizierte LSTM Ct−1 für die Eingabe-, Vergessens- und Ausgabegatter übernommen.

Dies liegt daran, dass sich Ct−1 jedes Mal, wenn der LSTM fortschreitet, auf die Eingabe, das Vergessen und die Ausgabe des LSTM auswirkt. Alle Vorhersagen werden im Testdatensatz gesammelt und eine Fehlerbewertung berechnet, um die Fähigkeiten des Modells zusammenzufassen. Der quadratische Mittelwertfehler (RMSE) wird verwendet, weil er große Fehler bestraft und zu einem Ergebnis in denselben Einheiten wie die prognostizierten Daten führt, nämlich Windgeschwindigkeit pro Stunde.

Hier sind die Vorhersagen genauer, wenn der Netzwerkstatus mit den beobachteten Werten statt mit den vorhergesagten Werten aktualisiert wird. Aus den Ergebnissen geht hervor, dass in beiden Serien Frühjahr (März 2015) und Sommer (Juli 2015) der Wert von RMSE bei Verwendung des LSTM-Updates um 4,5845 bzw. 4,9392 sank, was auf die unterschiedlichen Eigenschaften der einzelnen Serien zurückzuführen ist.

In dieser Arbeit und auf der Grundlage verschiedener früherer Studien zu verschiedenen Modellen wird darauf hingewiesen, dass die Genauigkeit von Vorhersagemodellen je nach den unterschiedlichen Eigenschaften der Informationen unterschiedlich ist und daher bisher kein Modell erreicht wurde, das mit unterschiedlichen Informationen mit der gleichen Genauigkeit funktioniert . Tabelle 1 zeigt die Fehler für die beiden Datenreihen (Juli 2015) und (März 2015) im vorgeschlagenen LSTM-Modell unter Verwendung der RMSE-Fehlermetriken.

4. Schlussfolgerungen

Ein genaues Vorhersagemodell der Windgeschwindigkeitsquellen ist notwendig, um wichtige Informationen bereitzustellen, die Netzbetreiber und Systementwickler in die Lage versetzen, eine optimale Windkraftanlage zu erzeugen und Angebot und Nachfrage auf dem Energiemarkt auszugleichen.

In dieser Studie wurde das modifizierte lange Kurzzeitgedächtnis (LSTM) zur Vorhersage der Windgeschwindigkeit vorgeschlagen. Da auf den tatsächlichen Wert der Zeitschritte zwischen den Vorhersagen zugegriffen werden kann, wird die Windgeschwindigkeit vorhergesagt, indem der Netzwerkstatus in jeder Vorhersage unter Verwendung des beobachteten Werts anstelle der Gates aktualisiert wird.

Dies liegt daran, dass sich der Zellenstatus jedes Mal, wenn der LSTM fortschreitet, auf die Eingabe, das Vergessen und die Ausgabe des LSTM auswirkt. Die Ergebnisse des Modells zeigten eine verbesserte Genauigkeit bei der Vorhersage der Windgeschwindigkeit.

Autorenbeiträge: Konzeptualisierung, ME; Methodik, ME; Software, ME; Validierung, ME; formale Analyse, ME und AM; Schreiben – Vorbereitung des Originalentwurfs, ME; Schreiben – Rezension und Bearbeitung, AM; Aufsicht, AM; Projektverwaltung, AM Alle Autoren haben die veröffentlichte Version des Manuskripts gelesen und ihr zugestimmt.

Finanzierung: Diese Forschung wurde teilweise vom libyschen Bildungsministerium finanziert, Fördernummer 3772.

Erklärung des Institutional Review Board: Nicht zutreffend.

Einverständniserklärung: Nicht zutreffend.

Erklärung zur Datenverfügbarkeit: Nicht anwendbar.

Interessenkonflikte: Die Autoren geben an, dass kein Interessenkonflikt besteht.

Referenzen

1. Monfared, M.; Rastegar, H.; Kojabadi, HM Eine neue Strategie zur Windgeschwindigkeitsvorhersage mit Methoden der künstlichen Intelligenz. Renew.Energy 2009, 34, 845–848. [CrossRef]

2. Box, GE; Jenkins, GM; Reinsel, GC; Ljung, GM Time Series Analysis: Forecasting and Control, 5. Auflage; John Wiley & Sons: Hoboken, NJ, USA, 2015; S. 129–171.

3. Elsaraiti, M.; Merabet, A.; Al-Durra, A. Zeitreihenanalyse und Vorhersage von Windgeschwindigkeitsdaten. In Proceedings of the IEEEIndustry Applications Society Annual Meeting, Baltimore, MD, USA, 29. September–3. Oktober 2019; S. 1–5.

4. Yadav, AP; Kumar, A.; Behera, L. RNN-basierte Solarstrahlungsvorhersage mit adaptiver Lernrate. In der InternationalConference on Swarm, Evolutionary, and Memetic Computing; Springer: Cham, Schweiz, 2013; S. 442–452.

5. Hochreiter, S.; Schmidhuber, J. Langes Kurzzeitgedächtnis. Neuronale Berechnung. 1997, 9, 1735–1780. [CrossRef] [PubMed]

6. Kumar, D.; Mathur, HD; Bhanot, S.; Bansal, RC Prognose von Solar- und Windenergie mithilfe von LSTM RNN zur Lastfrequenzsteuerung in einem isolierten Mikronetz. Int. J. Modell. Simul. 2020. [CrossRef]

7. Shi, X.; Lei, X.; Huang, Q.; Huang, S.; Ren, K.; Hu, Y. Stündliche Day-Ahead-Windkraftvorhersage unter Verwendung des Hybridmodells aus Variationsmodellzerlegung und langem Kurzzeitgedächtnis. Energies 2018, 11, 3227. [CrossRef]

8. Rodrigues, ER; Oliveira, I.; Cunha, R.; Netto, M. DeepDownscale: Eine Deep-Learning-Strategie für hochauflösende Wettervorhersagen. In Proceedings of the 2018 IEEE 14th International Conference on e-Science (e-Science), Amsterdam, Niederlande, 29. Oktober–1. November 2018; IEEE: New York, NY, USA, 2018; S. 415–422.

9. Chen, N.; Qian, Z.; Nabney, IT; Meng, X. Windkraftvorhersagen mit Gaußschen Prozessen und numerischer Wettervorhersage.IEEE Trans. Stromversorgungssystem. 2013, 29, 656–665. [CrossRef]

10. Cao, Q.; Ewing, BT; Thompson, MA Vorhersage der Windgeschwindigkeit mit rekurrenten neuronalen Netzen. Eur. J. Oper. Res. 2012, 221,148–154. [CrossRef]

11. Lydia, M.; Kumar, SS; Selvakumar, AI; Kumar, GE Lineare und nichtlineare autoregressive Modelle für kurzfristige Windgeschwindigkeitsvorhersagen. Energiewandler. Geschäftsführer 2016, 112, 115–124. [CrossRef]

12. Ghaderi, A.; Sanandaji, BM; Ghaderi, F. Deep Forecast: Deep Learning-basierte räumlich-zeitliche Vorhersage; Cornell University: Ithaca, NY, USA, 2017.

For more information:1950477648nn@gmail.com