Ilgalaikės trumpalaikės atminties pasikartojančių neuroninių tinklų taikymas vėjo greičio prognozavimui

Santrauka:

Vėjo greičio prognozavimas yra viena iš svarbiausių ir sudėtingiausių problemų, susijusių su vėjo energijos prognozavimu elektros gamybai. Ilgalaikė trumpalaikė atmintis buvo naudojama kaip trumpalaikės atminties sprendimas, siekiant išspręsti gradiento informacijos išnykimo ar sprogimo problemą mokymo procese, kurį patiria pasikartojantis neuroninis tinklas (RNN), kai jis naudojamas tiriant laiko eilutes.

Ilgalaikė atmintis neatsiejama nuo atminties. Atmintis yra gana sudėtingas procesas, apimantis visus žmogaus smegenų aspektus, įskaitant pojūtį, suvokimą, pažinimą, įgyvendinimą, reakciją ir kt. Mūsų tikslas yra saugoti gautą informaciją ilgalaikėje atmintyje, kad ją vėliau panaudotume.

Šiame procese svarbus ilgalaikės trumpalaikės atminties modelis (LTM). LTM reiškia mūsų gebėjimą saugoti apdorotą informaciją. Tai yra, LTM padeda mums saugoti informaciją iš trumpalaikės atminties į smegenis. O atminčiai ilgalaikis saugojimas yra pagrindinis tikslas.

Mūsų gyvenime daugelis ilgalaikę atmintį sukeliančių veiksnių yra susiję su asmenine patirtimi ir veikla. Pavyzdžiui, pakankamai ilgas buvimas situacijoje, paskaitos klausymas ar atminties įgūdžių gerinimas gali padidinti atmintį.

Ilgos trumpalaikės atminties modelį galima paprasčiausiai paaiškinti taip: Kai pirmą kartą sužinome tam tikrą informaciją, galime ją išsaugoti trumpalaikėje atmintyje. Ši informacija bus saugoma tam tikrą laiką, tačiau greitai išnyks. Tačiau jei šią informaciją giliai pagalvosime arba susiesime su ankstesne patirtimi, ji bus perkelta į ilgalaikę atmintį.

Todėl raktas į mūsų ilgalaikės atminties stiprinimą yra išlaikyti mūsų smegenis aktyvias, teigiamas ir kūrybiškas mąstymas. Mes galime mankštinti savo smegenis skaitydami knygas, žaisdami interaktyvius žaidimus, tyrinėdami naujus dalykus ir rašydami dienoraščius. Visų pirma, glaudus mokymosi ir tyrinėjimo derinimas gali geriau sustiprinti atmintį.

Trumpai tariant, ilgalaikės ir trumpalaikės atminties modelio įtaka atminčiai yra labai svarbi. Gyvenime ir studijuodami turime atkreipti dėmesį į atmintį ir ją praktikuoti. Aktyviai mąstydami ir mankštindamiesi galime nuolat tobulinti savo ilgalaikės atminties gebėjimus ir lengviau bei efektyviau išmokti naujų žinių. Matyti, kad reikia pagerinti atmintį. Cistanche gali žymiai pagerinti atmintį, nes taip pat gali reguliuoti neuromediatorių pusiausvyrą, pvz., padidinti acetilcholino ir augimo faktorių kiekį, kurie labai svarbūs atminčiai ir mokymuisi. Be to, Cistanche taip pat gali pagerinti kraujotaką ir skatinti deguonies tiekimą, o tai gali užtikrinti, kad smegenys gautų pakankamai mitybos ir energijos, taip pagerinant smegenų gyvybingumą ir ištvermę.

Norėdami pagerinti atmintį, spustelėkite žinokite papildus

Šiame tyrime ši problema sprendžiama pasiūlant prognozavimo modelį, pagrįstą ilgalaike trumpalaike atmintimi ir giliu neuroniniu tinklu, sukurtu prognozuoti vėjo greičio vertes keliais laiko žingsniais ateityje.

Orų duomenų bazė Halifakso mieste, Kanadoje, buvo naudojama kaip dviejų vėjo greičio serijų per valandą šaltinis. Treniruotėms ir prognozavimo modelio testavimui buvo naudojami du skirtingi sezonai – pavasaris (2015 m. kovo mėn.) ir vasara (2015 m. liepos mėn.). Rezultatai parodė, kad siūlomo modelio naudojimas gali efektyviai pagerinti vėjo greičio prognozavimo tikslumą.

Raktiniai žodžiai: prognozavimas; ilgalaikė trumpalaikė atmintis; kelios laiko eilutės; RNN; vėjo greitis.

1. Įvadas

Prognozuoti vėjo greitį yra labai sudėtingas iššūkis, palyginti su kitais atmosferos kintamaisiais, ir taip yra dėl jų chaotiško ir pertrūkio pobūdžio, dėl kurio sunku integruoti vėjo energiją į tinklą.

Kadangi vėjo greitis yra vienas iš labiausiai išvystytų ir pigiausių žaliosios energijos šaltinių, tai tiksli prognozė trumpuoju laikotarpiu tapo svarbia ir turi lemiamos įtakos elektros tinklui. Prognozuojant trumpalaikį vėjo greitį buvo taikomi tiek dinaminiai, tiek statistiniai metodai, tiek kai kurie hibridiniai metodai, sujungiantys abu metodus.

Norint naudoti didelės skiriamosios gebos skaitinius orų prognozavimo (NWP) modelius, reikia suprasti daugelį pagrindinių juos palaikančių principų, įskaitant duomenų asimiliaciją, žinoti, kaip įvertinti NWP modelį erdvėje ir laike bei kaip atlikti prognozių patvirtinimą ir patikrinimą. Tai gali būti brangu skaičiavimo laiko atžvilgiu.

Patikimi vėjo greičio prognozavimo metodai ir metodai tampa vis svarbesni vėjo išteklių charakterizavimui ir prognozavimui [1]. Pagrindinis bet kokios prognozės tikslas yra sukurti, nustatyti, suderinti ir patvirtinti laiko sekų modelius.

Laiko eilučių prognozavimas yra viena iš svarbiausių taikomųjų mašininio mokymosi ir dirbtinio intelekto problemų apskritai, nes patobulinus prognozavimo metodus bus galima tiksliau numatyti įvairių veiksnių elgseną neabejingose ​​srityse. Tradiciškai tokie modeliai yra paremti statistinės analizės ir matematinio modeliavimo metodais, sukurtais septintajame ir aštuntajame dešimtmečiuose [2].

ARIMA modelis buvo naudojamas prognozuoti vėjo greitį, naudojant įprastus klaidų santykio matavimus modelio prognozavimo tikslumui [3]. Pastaruoju metu gilus mokymasis mašininio mokymosi bendruomenėje įgijo didelį populiarumą, nes jis laikomas bendra sistema, palengvinančia giliųjų neuroninių tinklų, turinčių daug paslėptų sluoksnių, mokymą [4].

Didelių duomenų rinkinių prieinamumas kartu su algoritmų tobulėjimu ir eksponentiniu skaičiavimo galios augimu paskatino neprilygstamą susidomėjimą mašininio mokymosi tema.

Šie metodai naudoja tik istorinius duomenis, kad sužinotų atsitiktines priklausomybes tarp praeities ir ateities. Tarp šių metodų yra pasikartojantys neuroniniai tinklai (RNN), kurie yra skirti išmokti duomenų seką, perkeliant paslėptą būseną iš vieno sekos žingsnio į kitą, kartu su įvestimi ir nukreipiant ją pirmyn ir atgal tarp įvesties [5] .

Ilgalaike trumpalaike atmintimi pagrįstas pasikartojantis neuroninis tinklas (LSTM-RNN) buvo naudojamas prognozuojant vėjo energiją nuo 1 iki 24 valandų [6]. Buvo palyginta LSTM, ekstremaliojo mokymosi mašina (ELM) ir SVM. Rezultatai parodė, kad gilaus mokymosi metodai yra veiksmingesni už tradicinius mašininio mokymosi metodus gerinant numatymo tikslumą per kryptinės kilpos neuroninio tinklo struktūrą ir specialų paslėptą įrenginį [7]. Tyrimai rodo, kad NWP modelių ir dirbtinių neuroninių tinklų sujungimas gali būti naudingas ir užtikrinti didesnį tikslumą, palyginti su įprastais NWP modelio mažinimo metodais [8].

Skaitmeninis orų prognozavimo metodas (NWP) yra vienas iš dažniausiai naudojamų metodų ir dėl didelio skaičiavimo apimties tinkamas ilgalaikei, o ne trumpalaikei ir vidutinės trukmės prognozei [9]. Atlikta pasikartojančių neuroninių tinklų modelių vėjo greičio prognozavimo tikslumo analizė ir jie davė geresnių rezultatų lyginant su vienmačiais ir daugiamatiais ARIMA modeliais [10].

Trumpalaikiam vėjo greičiui prognozuoti buvo sukurti linijiniai ir nelinijiniai autoregresiniai modeliai su išoriniais kintamaisiais ir be jų. Modelių tikslumui matuoti buvo naudojami trys našumo rodikliai – MAE, RMSE ir MAPE [11].

Vėjo greičiui prognozuoti naudotas LSTM metodas, o rezultatai lyginti su tradiciniais dirbtinio neuroninio tinklo ir autoregresyviais integruotais slankiojo vidurkio modeliais, pasiūlytas metodas pasiteisino [12]. Ilgalaikės atminties modelis (LSTM) buvo sukurtas trumpalaikei erdvinio ir laiko vėjo greičio prognozei penkioms vietoms, naudojant dvejų metų istorinio vėjo greičio ir automatinės regresijos duomenis.

Modeliu buvo siekiama pagerinti prognozavimo tikslumą trumpesniu laikotarpiu. Pavyzdžiui, naudojant LSTM dvi ar tris valandas, galima numatyti iki penkiolikos dienų besitęsiančius horizontus, naudojant NWP modelį, kuris paprastai atnaujinamas šešių valandų dažniu [13]. RNN mokymo greitis, skirtas prognozuoti daugiamates laiko eilutes, paprastai yra gana lėtas, ypač kai naudojamas esant dideliam tinklo gyliui.

Pastaruoju metu RNN įvairovei, vadinamai ilgalaike atmintimi (LSTM), buvo teikiama pirmenybė dėl jo geresnio našumo treniruočių fazėje, geriau sprendžiant standartinės RNN architektūros nykstančias ir sprogstančias gradiento problemas [14,15].

Ilgalaikės trumpalaikės atminties (LSTM) ir laikinųjų konvoliucinių tinklų (TCN) modeliai buvo pasiūlyti duomenimis pagrįsto lengvo oro prognozavimui, o jų veikimas buvo lyginamas su klasikiniais mašininio mokymosi metodais (standartinė regresija (SR), paramos vektoriaus regresija (SVR), atsitiktinis miškas (). RF)), statistiniai mašininio mokymosi metodai (autoregresyvus integruotas slenkamasis vidurkis (ARIMA), vektoriaus automatinė regresija (VAR) ir vektoriaus klaidų taisymo modelis (VECM)) ir dinaminio ansamblio metodas (prognozavimo eksperto arbitražas (AFE)).

Siūlomo modelio rezultatai parodo jo gebėjimą numatyti efektyvų ir tikslų orą [16]. Nepaisant nuolatinio LSTM algoritmo ilgalaikio vėjo greičio prognozavimo tyrimų tobulinimo, daugumoje tyrimų vis dar pirmenybė teikiama tradiciniam RNN prognozavimo algoritmui.

Šiame darbe akcentuojamas LSTMalgoritmo taikymas vėjo greičio prognozavimo srityje, o treniruotėms ir bandymams panaudotas prognozavimo efektyvumo ir algoritmo tikslumo palyginimas pagal skirtingas vėjo greičio laiko eilutes.

2. Metodika ir duomenų šaltinis

2.1. Duomenų šaltiniai

Šiame tyrime siūlomas modelis buvo įgyvendintas tik trumpalaikiam vėjo greičio prognozavimui, kad būtų išvengta didelio skaičiavimo laiko atliekant dinaminį mastelio mažinimą naudojant NWP modelius, tokius kaip Orų tyrimų ir prognozavimo modelis (WRF). Vėjo greičio duomenys iš Halifax Dockyard stoties Naujojoje Škotijoje, esančios 44,66 ◦ šiaurės platumos, 63,58 ◦ vakarų ilgumos.

Vėjo greitis buvo matuojamas 3,80 m aukštyje ir buvo naudojamas kaip šaltinis dviem skirtingais sezonais – pavasarį (2015 m. kovo mėn.) ir vasarą (2015 m. liepos mėn.), kaip parodyta 1 paveiksle.

Abiejų sezonų duomenys, atitinkamai užregistruoti kiekvieną valandą (576 skaitymai per 24 dienas) kaip stebėjimai ir (168 rodmenys per 7 dienas), kaip mokymo ir bandymų grupės. Siūlomas LSTM diegimas puikiai dera su laiko eilučių duomenų rinkiniu, kuris gali pagerinti mokymo proceso konvergencijos tikslumą.

2.2. Pasikartojantys neuroniniai tinklai

Pasikartojantys neuroniniai tinklai (RNN) yra nuoseklūs duomenų neuroniniai tinklai, kurių tikslas yra numatyti kitą stebėjimų sekos žingsnį, palyginti su ankstesniais tos pačios sekos žingsniais.

RNN yra paslėptų sluoksnių, paskirstytų laikui bėgant, todėl jie gali saugoti informaciją, gautą ankstesniuose serijinių duomenų skaitymo etapuose. Vėjo greitis priklauso nuo trumpalaikio ir ilgalaikio.

Paprastas RNN modelis negali susidoroti su ilgalaikėmis priklausomybėmis. Viena iš problemų, kylančių dėl RNN išskleidimo, yra ta, kad kai kurių svorių gradientas pradeda tapti per mažas arba per didelis, jei tinklas išskleidžiamas per daug laiko žingsnių.

Šis reiškinys vadinamas nykstančių gradientų problema ir gali išsaugoti trumpalaikę atmintį tik todėl, kad apima tik ankstesnio laiko žingsnio paslėpto sluoksnio aktyvavimo funkcijas ir dėl to ilgainiui prarandama informacija [17,18].

Tinklo architektūra, kuri išsprendžia šią problemą, yra LSTM. Įprastu įgyvendinimu paslėptas sluoksnis pakeičiamas sudėtingu skaičiavimo vienetų bloku, kurį sudaro vartai, kurie blokuoja klaidą ir sudaro vadinamąją „klaidų karuselę“ [5]. 2 paveiksle parodyta RNN struktūra, kurioje anksčiau paslėpto sluoksnio išvestis įvedama į dabartinį paslėptą sluoksnį. RNN modelis išreiškiamas

2.2. Pasikartojantys neuroniniai tinklai

Pasikartojantys neuroniniai tinklai (RNN) yra nuoseklūs duomenų neuroniniai tinklai, kurių tikslas yra numatyti kitą stebėjimų sekos žingsnį, palyginti su ankstesniais tos pačios sekos žingsniais. RNN yra paslėptų sluoksnių, paskirstytų laikui bėgant, todėl jie gali saugoti informaciją, gautą ankstesniuose serijinių duomenų skaitymo etapuose. Vėjo greitis priklauso nuo trumpalaikio ir ilgalaikio.

Paprastas RNN modelis negali susidoroti su ilgalaikėmis priklausomybėmis. Viena iš problemų, kylančių dėl RNN išskleidimo, yra ta, kad kai kurių svorių gradientas pradeda tapti per mažas arba per didelis, jei tinklas išskleidžiamas per daug laiko žingsnių. Šis reiškinys vadinamas nykstančių gradientų problema ir gali išsaugoti trumpalaikę atmintį tik todėl, kad apima tik ankstesnio laiko žingsnio paslėpto sluoksnio aktyvavimo funkcijas ir dėl to ilgainiui prarandama informacija [17,18].

Tinklo architektūra, kuri išsprendžia šią problemą, yra LSTM. Įprastu įgyvendinimu paslėptas sluoksnis pakeičiamas sudėtingu skaičiavimo vienetų bloku, kurį sudaro vartai, kurie blokuoja klaidą ir sudaro vadinamąją „klaidų karuselę“ [5]. 2 paveiksle parodyta RNN struktūra, kurioje anksčiau paslėpto sluoksnio išvestis įvedama į dabartinį paslėptą sluoksnį.

RNN modelis išreiškiamas tuo, kur yra įvestis, htis yra paslėpto sluoksnio būsenos reikšmė, jis vertinamas išvesties sluoksnyje momentu t, kodėl svoris yra iš įvesties sluoksnio, kodėl yra uždelsto išvesties svoris momentu t − 1, tanh yra hiperbolinė liestinė kaip aktyvinimo funkcija paslėptame sluoksnyje, o σ yra sigmoidinė funkcija kaip aktyvinimo funkcija išvesties sluoksnyje.

2.3. Ilgalaikė trumpalaikė atmintis

Ilgalaikės trumpalaikės atminties tinklai yra pasikartojančio neuroninio tinklo (RNN) tipas, sukurtas siekiant išvengti ilgalaikės priklausomybės problemos, kai kiekviename neurone yra atminties ląstelė, galinti išsaugoti ankstesnę RNN naudojamą informaciją arba, jei reikia, ją pamiršti [19]. . Šiuo metu ji sėkmingai naudojama sprendžiant laiko eilučių numatymo problemas.

LSTM-RNN buvo sukurtas iš atminties ląstelės, kurioje saugomos ilgalaikės priklausomybės. Be atminties ląstelės, LSTM ląstelėje yra įvesties vartai, išvesties vartai ir užmiršimo vartai.

Kiekvienas langelio vartai gauna esamą įvestį tx, paslėptą būseną ht−1 ankstesniu momentu ir ląstelės vidinės atminties būsenos informaciją Ct−1, kad galėtų atlikti įvairias operacijas ir nustatyti, ar aktyvuoti naudojant loginę funkciją. Vieneto būsena ht, išėjimas momentu t ir paslėpta įvesties būsena momentu t1 nustatomi netiesiškai aktyvinant tanh ( ) ir išėjimo vartų informaciją.

3. Rezultatai ir aptarimas

Šiame tyrime MATLAB programinė įranga (R2019b) buvo naudojama LSTM mokymo procesui, kuri yra pažangi RNN architektūra, skirta numatyti būsimų sekos laiko žingsnių reikšmes. Sekos regresijos tinklas buvo išmokytas naudoti LSTM seką, kur atsakymai yra mokymo sekos, kurių reikšmės keičiasi vienu laiko žingsniu.

Tai yra, kiekvieną įvesties sekos laiko žingsnį LSTM tinklas išmoksta numatyti kito laiko žingsnio vertę. Šiame darbe, siekiant visapusiškai ir sistemingai įvertinti siūlomo modelio efektyvumą ir pritaikomumą, dėl skirtingų klimato ypatumų buvo atrinktos dvi duomenų serijos priešvėjui dviem skirtingiems sezonams, kurios yra atitinkamai pavasario (2015 m. kovo mėn.) ir vasaros (2015 m. liepos mėn.). ).

Kiekviena duomenų serija buvo padalinta į 1–576 (24 dienas) kaip stebėjimus ir 577–744 (7 dienas) kaip mokymo ir bandymo grupes. Mokymo duomenys buvo standartizuoti, kad būtų nulinis vidurkis ir vieneto dispersijos prognozavimo laikas, kad būtų išvengta treniruočių skirtumų. Geriausias mokymo parametras, norint gauti mažiausią RMSE, randamas naudojant pradinį mokymosi greitį 0.005.

4 ir 5 paveiksluose parodytas pastebėtų verčių palyginimas su prognozuotomis valandinių vėjo greičio eilučių vertėmis, surinktomis atitinkamai pavasarį (2015 m. kovo 1–31 d.) ir vasarą (2015 m. liepos 1–31 d.), kad būtų galima įvertinti vieną kartą treniruotą LSTM. ankstesnės prognozės vertė) ir pakartotinai naudojamas nuspėti kiekvieną laiko žingsnį tarp numatymo, kurį pavaizduoja (2)–(4) lygtys. Tai reiškia, kad naujinimai neatliekami, kai modelis pirmą kartą atitinka mokymo duomenis, o modelis šiuo atveju vadinamas fiksuotu, nes nėra atnaujinimų.

LSTM tinklo mokymo parinktys buvo pasirinktos 200 paslėptiems moduliams. Pradinis mokymosi greitis yra 0,005, o didžiausias iteracijų skaičius yra 250. Gradiento slenkstis nustatytas į 1, kad gradientai nesprogtų. Mokymosi greitis sumažinamas po 125 epochų, padauginus iš koeficiento 0,2. Tiek 6, tiek 7 paveiksluose LSTM buvo atnaujintas naujais laiko eilučių prognozavimo duomenimis, naudojant numatomas reikšmes ir atnaujintas būsenos reikšmes iš bandymo rinkinio ir prieinama kito laiko žingsnio prognozės modelis Specialiai modifikuotas LSTM pritaikė Ct−1 įvesties, pamiršimo ir išvesties vartams.

Taip yra todėl, kad kiekvieną kartą, kai vyksta LSTM, Ct−1 paveikia LSTM įvestį, pamiršimą ir išvestį. Visos prognozės surenkamos į bandymo duomenų rinkinį ir apskaičiuojamas klaidos balas, siekiant apibendrinti modelio įgūdžius. Vidutinė kvadratinė paklaida (RMSE) naudojama, nes ji užkerta kelią didelėms klaidoms, o rezultatas yra tais pačiais vienetais kaip ir prognozuojami duomenys, ty vėjo greitis per valandą.

Čia prognozės yra tikslesnės, kai tinklo būsena atnaujinama stebimomis, o ne numatomomis reikšmėmis. Iš rezultatų matyti, kad abiejose serijose Pavasaris (2015 m. kovo mėn.) ir Vasara (2015 m. liepos mėn.) RMSE vertė sumažėjo atitinkamai 4,5845 ir 4,9392, naudojant LSTM naujinimą, ir tai yra dėl skirtingų kiekvienos iš jų charakteristikų.

Šiame darbe ir remiantis įvairiais ankstesniais tyrimais pagal skirtingus modelius, pažymima, kad prognozavimo modelių tikslumas skiriasi priklausomai nuo informacijos savybių, todėl iki šiol nebuvo pasiektas modelis, kuris veiktų tokiu pačiu tikslumu su skirtinga informacija. . 1 lentelėje parodytos dviejų duomenų eilučių (2015 m. liepos mėn.) ir (2015 m. kovo mėn.) siūlomo LSTM modelio, naudojant RMSE klaidų metriką, klaidos.

4. Išvados

Tikslus vėjo greičio šaltinių prognozavimo modelis yra būtinas norint suteikti esminę informaciją tinklų operatoriams ir sistemų projektuotojams sukurti optimalią vėjo jėgainę ir subalansuoti pasiūlą ir paklausą energijos rinkoje.

Šiame tyrime vėjo greičiui prognozuoti buvo pasiūlyta modifikuota ilgalaikė trumpalaikė atmintis (LSTM). Kadangi galima pasiekti tikrąją laiko žingsnių vertę tarp prognozių, vėjo greitis nuspėjamas atnaujinant tinklo būseną kiekvienoje prognozėje, naudojant stebimą vertę, o ne vartus.

Taip yra todėl, kad kiekvieną kartą, kai vyksta LSTM, ląstelės būsena paveikia LSTM įvestį, pamiršimą ir išvestį. Modelio rezultatai parodė pagerėjusį vėjo greičio prognozavimo tikslumą.

Autoriaus indėlis: Conceptualization, ME; metodika, ME; programinė įranga, ME; patvirtinimas, ME;formali analizė, ME ir AM; rašymas-Originalo juodraščio rengimas, ME; rašymas-Recenzija ir redagavimas, AM; priežiūra, AM; projekto administracija, AM Visi autoriai perskaitė ir sutiko su paskelbta rankraščio versija.

Finansavimas: šį tyrimą iš dalies finansavo Libijos švietimo ministerija, dotacijos numeris 3772.

Institucinės peržiūros tarybos pareiškimas: Netaikoma.

Informuoto sutikimo pareiškimas: Netaikoma.

Duomenų prieinamumo pareiškimas: Netaikoma.

Interesų konfliktai: autoriai pareiškia, kad nėra interesų konflikto.

Nuorodos

1. Monfared, M.; Rastegar, H.; Kojabadi, HM Nauja vėjo greičio prognozavimo strategija naudojant dirbtinius intelektualius metodus. Atnaujinti.Energija 2009, 34, 845–848. [CrossRef]

2. Dėžė, GE; Jenkinsas, GM; Reinsel, GC; Ljung, GM Time Series Analysis: Forecasting and Control, 5th ed.; John Wiley & Sons: Hobokenas, NJ, JAV, 2015 m.; 129–171 p.

3. Elsaraitis, M.; Merabet, A.; Al-Durra, A. Laiko eilučių analizė ir vėjo greičio duomenų prognozavimas. 2019 m. rugsėjo 29 d.–spalio 3 d., IEEEIndustry Applications Society metinio susirinkimo procese, Baltimorėje, MD, JAV; 1–5 psl.

4. Yadav, AP; Kumaras, A.; Behera, L. RNN pagrįstas saulės spinduliuotės prognozavimas naudojant adaptyvų mokymosi greitį. Tarptautinėje konferencijoje apie spiečių, evoliucinį ir memetinį skaičiavimą; Springer: Cham, Šveicarija, 2013; 442–452 p.

5. Hochreiter, S.; Schmidhuber, J. Ilgalaikė trumpalaikė atmintis. Neuroninis kompiuteris. 1997, 9, 1735–1780. [CrossRef] [PubMed]

6. Kumaras, D.; Mathur, HD; Bhanot, S.; Bansal, RC saulės ir vėjo energijos prognozavimas naudojant LSTM RNN apkrovos dažnio valdymui izoliuotame mikro tinkle. Tarpt. J. Modelis. Simul. 2020 m. [CrossRef]

7. Ši, X.; Lei, X.; Huangas, Q.; Huangas, S.; Renas, K.; Hu, Y. Valandinis dienos į priekį vėjo energijos prognozavimas naudojant hibridinį variacinio modelio skaidymo ir ilgalaikės trumpalaikės atminties modelį. Energijos, 2018, 11, 3227. [CrossRef]

8. Rodriguesas, ER; Oliveira, I.; Cunha, R.; Netto, M. DeepDownscale: gilaus mokymosi strategija didelės raiškos orų prognozei. In Proceedings of the 2018 IEEE 14th International Conference on e-Science (e-Science), Amsterdamas, Nyderlandai, 2018 m. spalio 29–11 d.; IEEE: Niujorkas, NY, JAV, 2018 m.; 415–422 p.

9. Chen, N.; Qian, Z.; Nabney, IT; Meng, X. Vėjo energijos prognozės naudojant Gauso procesus ir skaitinis orų prognozavimas.IEEE Trans. Maitinimo sistema. 2013, 29, 656–665. [CrossRef]

10. Cao, Q.; Ewingas, BT; Thompson, MA Vėjo greičio prognozavimas naudojant pasikartojančius neuroninius tinklus. Eur. J. Oper. Res. 2012, 221 148–154. [CrossRef]

11. Lidija, M.; Kumaras, SS; Selvakumaras, AI; Kumar, GE Linijiniai ir nelinijiniai autoregresyvūs modeliai, skirti trumpalaikiam vėjo greičio prognozavimui. Energijos keitikliai. Vald. 2016, 112, 115–124. [CrossRef]

12. Ghaderi, A.; Sanandaji, BM; Ghaderi, F. Gili prognozė: giliu mokymusi pagrįsta erdvės ir laiko prognozė; Kornelio universitetas: Ithaca, NY, JAV, 2017 m.

For more information:1950477648nn@gmail.com