MétaCan
Menu
Retour à la cohorte
Enregistrement W2101924284 · doi:10.1007/s40095-014-0105-5

Application of sliding window technique for prediction of wind velocity time series

2014· article· en· W2101924284 sur OpenAlex

Pourquoi ce travail est dans la base

Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.

affAu moins un auteur déclare une institution canadienne dans l'instantané OpenAlex épinglé.

Notice bibliographique

RevueInternational journal of energy and environmental engineering · 2014
Typearticle
Langueen
DomaineEngineering
ThématiqueEnergy Load and Power Forecasting
Établissements canadiensOntario Tech University
Organismes subventionnairesnon disponible
Mots-clésSliding window protocolArtificial neural networkPerceptronMean squared errorRenewable energySeries (stratigraphy)Time seriesWind powerComputer scienceMultilayer perceptronGridData miningWind speedReliability (semiconductor)Window (computing)StatisticsArtificial intelligenceEngineeringPower (physics)Machine learningMathematicsMeteorology

Résumé

récupéré en direct d'OpenAlex

The uncertainty caused by the discontinuous nature of wind energy affects the power grid. Hence, forecasting the behavior of this renewable resource is important for energy managers and electricity traders to overcome the risk of unpredictability and to provide reliability for the grid. The objective of this paper is to employ and compare the potential of various artificial neural network structures of multi-layer perceptron (MLP) and radial basis function for prediction of the wind velocity time series in Tehran, Iran. Structure analysis and performance evaluations of the established networks indicate that the MLP network with a 4-7-13-1 architecture is superior to others. The best networks were deployed to unseen data and were capable of predicting the velocity time series via using the sliding window technique successfully. Applying the statistical indices with the predicted and the actual test data resulted in acceptable RMSE, MSE and R 2 values with 1.19, 1.43 and 0.85, respectively, for the best network.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Prédiction distillée sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Expérimental (laboratoire) · Signal consensuel: Expérimental (laboratoire)
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,731
Score d'incertitude au seuil0,317

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0000,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,003
Tête enseignante GPT0,160
Écart entre enseignants0,157 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle