Probabilistic prediction intervals of short-term wind speed using selected features and time shift dependent machine learning models
Notice bibliographique
Résumé
Forecasting wind speed plays an increasingly essential role in the wind energy industry. However, wind speed is uncertain with high changeability and dependency on weather conditions. Variability of wind energy is directly influenced by the fluctuation and unpredictability of wind speed. Traditional wind speed prediction methods provide deterministic forecasting that fails to estimate the uncertainties associated with wind speed predictions. Modeling those uncertainties is important to provide reliable information when the uncertainty level increases. Models for estimating prediction intervals of wind speed do not differentiate between daytime and nighttime shifts, which can affect the performance of probabilistic wind speed forecasting. In this paper, we introduce a prediction framework for deterministic and probabilistic short-term wind speed forecasting. The designed framework incorporates independent machine learning (ML) models to estimate point and interval prediction of wind speed during the daytime and nighttime shifts, respectively. First, feature selection techniques were applied to maintain the most relevant parameters in the datasets of daytime and nighttime shifts, respectively. Second, support vector regressors (SVRs) were used to predict the wind speed 10 minutes ahead. After that, we incorporated the non-parametric kernel density estimation (KDE) method to statistically synthesize the wind speed prediction errors and estimate the prediction intervals (PI) with several confidence levels. The simulation results validated the effectiveness of our framework and demonstrated that it can generate prediction intervals that are satisfactory in all evaluation criteria. This verifies the validity and feasibility of the hypothesis of separating the daytime and nighttime data sets for these types of predictions.
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 ».