Harmonics Forecasting of Renewable Energy System Using Hybrid Model Based on LSTM and ANFIS
Notice bibliographique
Résumé
Harmonics forecasting stands as a crucial approach in the development of devices aimed at minimizing harmonics disturbances. The primary objective of this study is to create a hybrid forecasting model that can deliver precise and dependable forecasts for harmonics in Renewable Energy Systems (RES). To achieve this goal, the Adaptive Neuro Fuzzy Inference System (ANFIS) with the Long Short-Term Memory Network (LSTM) are combined in two distinct structured models. In the first model, LSTM is employed in the initial stage and ANFIS in the subsequent one, while the second model follows the reverse order. Additionally, for the generation of harmonics, two renewable generator models are utilized. The first model encompasses a grid-connected Double-Fed Induction Generator (DFIG) driven by a wind turbine and integrated with a Solar Photovoltaic (PV)-based power generator. The second generator model combines a Solar-PV generator with a wind turbine-linked Permanent Magnet Synchronized Generator (PMSG) connected to a shared grid. The harmonics produced by these generator models are used to construct training and testing datasets, which are subsequently employed for generating forecasts using the proposed hybrid forecasting models. The accuracy of forecasting results is verified through a comparison with benchmark studies in the literature. The findings reveal that the model employing ANFIS in the initial stage and LSTM in the second stage (referred to as the ANFIS-LSTM model) consistently yields the best forecasts among all the models tested in this study. Moreover, it exhibits a significant improvement over any of the techniques used in previous literature. Ultimately, this research establishes that both hybrid models proposed outperform the individual forecasting techniques used as benchmarks in terms of accuracy and precision.
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 ».