A Multi-Hour Ahead Wind Power Forecasting System Based on a WRF-TOPSIS-ANFIS Model
Notice bibliographique
Résumé
Wind is a renewable and green energy source that is vital for sustainable human development. Wind variability implies that wind power is random, intermittent, and volatile. For the reliable, stable, and secure operation of an electrical grid incorporating wind power systems, a multi-hour ahead wind power forecasting system comprising a physics-based model, a multi-criteria decision making scheme, and two artificial intelligence models was proposed. Specifically, a Weather Research and Forecasting (WRF) model was used to produce wind speed forecasts. A technique for order of preference by similarity to ideal solution (TOPSIS) scheme was employed to construct a 5-in-1 (ensemble) WRF model relying on 1334 initial ensemble members. Two adaptive neuro-fuzzy inference system (ANFIS) models were utilised to correct the wind speed forecasts and determine a power curve model converting the improved wind speed forecasts to wind power forecasts. Moreover, three common statistics-based forecasting models were chosen as references for comparing their predictive performance with that of the proposed WRF-TOPSIS-ANFIS model. Using a set of historical wind data obtained from a wind farm in China, the WRF-TOPSIS-ANFIS model was shown to provide good wind speed and power forecasts for 30-min to 24-h time horizons. This paper demonstrates that the novel forecasting system has excellent predictive performance and is of practical relevance.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».