A Multi-View Ensemble Width-Depth Neural Network for Short-Term Wind Power Forecasting
Notice bibliographique
Résumé
Short-term wind power forecasting (SWPF) is essential for managing wind power systems management. However, most existing forecasting methods fail to fully consider how to rationally integrate multi-view learning technologies with attention mechanisms. In this case, some potential features cannot be fully extracted, degenerating the predictive accuracy and robustness in SWPF. To solve this problem, this paper proposes a multi-view ensemble width-depth neural network (MVEW-DNN) for SWPF. Specifically, MVEW-DNN consists of local and global view learning subnetworks, which can effectively achieve more potential global and local view features of the original wind power data. In MVEW-DNN, the local view learning subnetwork is developed by introducing the deep belief network (DBN) model, which can efficiently extract the local view features. On the other hand, by introducing the attention mechanism, a new deep encoder board learning system (deBLS) is developed as the global view learning subnetwork, which provides more comprehensive global information. Therefore, by rationally learning the effective local and global view features, MVEW-DNN can achieve competitive predictive performance in SWPF. MVEW-DNN is compared with the state-of-the-art models in SWPF. The experiment results indicate that MVEW-DNN can provide competitive predictive accuracy and robustness.
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 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».