Hybrid WT-PSO based Neural Networks for Single Step-Ahead Wind Power Prediction for Ontario Electricity Market
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.
Notice bibliographique
Résumé
Wind Power forecasting is an important subject of concern for reliable operations of grid and it has been studied from different points of views of both accuracy and reliability. So with an aim of improvement in prediction accuracy this paper presents a hybrid wind power prediction machine for Ontario Electricity Market (OEM) on single step ahead basis in which Wavelet Transform (WT) is used for pre- processing of input wind power data, then the pre-processed data is trained by neural networks. In this initially, the parameters of neural networks (biases & weights) are initialized as random &then at second stage are optimized by Particle Swarm Optimization (PSO) base training algorithm. The varying time series input training data patterns are used in order to remove the overtraining & over-fitting problem so that the maximum accuracy is achieved. The results of proposed method are compared with Naive Predictor, Feed Forward Neural Networks (FFNN) & Particle Swarm Optimization based Neural Network (PSONN) and is presented in the form of comparative tables on Mean absolute error (MAE) & mean absolute percentage error (MAPE) scale with emphasis on weekly as well as monthly predictions. The data used by proposed model for estimation is collected from Ontario Electricity Market for the year 2009-12 and tested for such a long period of one year on single step ahead basis. It is found that the accuracy of proposed model is far better than the other models.
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 enseignantsNi 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.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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.
score_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