Smart Urban Wind Power Forecasting: Integrating Weibull Distribution, Recurrent Neural Networks, and Numerical Weather Prediction
Notice bibliographique
Résumé
The design, operational planning, and integration of wind power plants with other renewables and the grid face challenges attributed to the intermittent nature of wind power generation. Addressing this issue necessitates the development of a smart wind power (and in particular wind speed) forecasting approach. This is a complex task due to substantial fluctuations in wind speed. To overcome the inherent stochastic nature of wind speed and mitigate related challenges, traditionally, numerical weather prediction (NWP) models are employed for wind speed forecasting. However, the applicability of NWP models is limited to short-term forecasting due to their computational constraints. In this study, a hybrid AI-based approach is proposed to improve forecast accuracy over a 48 h horizon for the city of Montreal. The results demonstrate that by integrating the probability distribution of wind speed with a deep learning model, the forecasted values align closely with the observed values in terms of seasonality and trend, exhibiting enhanced accuracy. Evaluation metrics reveal a substantial reduction in the root mean squared error (13–31%) across three prediction horizons (summer, fall, and winter) compared to a single long, short-term memory model. Furthermore, integrating the improved model with the numerical weather prediction model yields increased accuracy and decreased error compared to the LSTM–Weibull model.
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 ».