Hybrid Deep Learning-Based Model for Wind Speed Forecasting Based on DWPT and Bidirectional LSTM Network
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
Accurate wind speed forecasting is essential for the reliability and security of the power system, and optimal operation and management of wind integrated smart grids. However, it is still a challenging task due to the highly uncertain and volatile nature of wind speed. Accordingly, in this work, a novel deep learning-based model integrating the discrete wavelet packet transform (DWPT) and bidirectional long short-term memory (BLSTM) is developed to precisely capture deep temporal features and learn the time-varying relationship of wind speed time series. In the proposed method, by applying the DWPT, both approximations and details parts are decomposed by passing through the filters to choose the frequency band related to the features of the original signal more adaptively. The BLSTM networks are incorporated to deal with the uncertainties more effectively as they have bidirectional memory capability (feedforward and feedback loops) to investigate both previous and future hidden layers data. To simultaneously improve the forecasting performance and decrease the learning complexity, the reconstructed state space of historical wind data is employed to reflect the evolution laws of wind speed. Two case studies using real-world wind speed datasets gathered from Flatirons campus (M2) of National Renewable Energy Laboratory (NREL) located in Colorado, USA and weather station of Edmonton, Canada are implemented to demonstrate the effectiveness and superiority of the proposed hybrid method compared to the shallow architectures and state-of-the-art deep learning models in the recent literature.
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