Deep Spatial-Temporal 2-D CNN-BLSTM Model for Ultrashort-Term LiDAR-Assisted Wind Turbine's Power and Fatigue Load Forecasting
Notice bibliographique
Résumé
Optimizing wind turbine performance is still a challenge due to the dynamic interactions between the spatially temporally stochastic wind fields and the wind turbine as a complex mechanical system. Recent cost reduction of remote sensing wind measurement technologies, such as light detection and ranging (LiDAR), has opened a new research area on the use of deep learning models for predicting wind turbine's responses. In this article, a LiDAR-aided deep learning model is presented to learn the powerful spatial-temporal characteristics from the input wind fields. In the proposed method, the combination of 2-D convolutional neural networks (CNNs) and bidirectional long short-term memory (BLSTM) units is used to capture high levels of abstractions in wind fields concurrently, and thus, forecasting wind output power and fatigue load as two representatives of wind turbine responses. The LiDAR wind preview information is used as the 2-D-images of wind fields for the CNN. Moreover, the BLSTM is incorporated with the proposed CNN to improve the forecasting accuracy further and learn deep temporal features. The aero-elastic 5-MW reference wind turbine of National Renewable Energy Laboratory (NREL) is used to evaluate the performance of proposed model compared to the state-of-the-art deep-learning-based architectures 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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».