A novel energy pattern factor-based optimized approach for assessing Weibull parameters for wind power applications
Notice bibliographique
Résumé
One of the green, clean, and environment-friendly sources of energy is wind energy. For the assessment of wind energy potential, the parameters of the probability distribution function (PDF), i.e., Weibull distribution (WD), that fits well with the wind speed data must be known. In this research, we proposed a novel optimized energy pattern factor method (NOEPFM) based on the trust-region-dogleg algorithm and applied it to wind speed data of four cities of the Southern region of Punjab, Pakistan, to determine WD parameters, i.e., shape k and scale c parameters. In order to authenticate the practicability of the proposed NOEPFM, it is compared with the other existing energy pattern factor (EPF)-based methods such as the energy pattern factor method (EPFM), Sathyajith's EPFM (EPFMS), and novel EPFM (NEPFM). The performance of NOEPFM is measured in terms of five goodness-of-fit indices, namely root mean square error (RMSE), mean absolute error (MAE), coefficient of correlation (R), coefficient of efficiency (CoE), and maximum absolute error (MaxAE). Numerical results reveal that the NOEPFM method was the best fit compared to the other EPFMs for all the considered wind speed datasets. This justifies the workability of the proposed NOEPFM and can serve as an enhanced approach for calculating wind power potential.
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 | 0,001 | 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 ».