Wind power forecasting: A hybrid multi-layer perceptron framework with adaptive noise reduction and error correction
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The increasing penetration of renewables introduces unprecedented volatility into modern power systems. Conventional forecasting frameworks often treat residual variations as unstructured noise, discarding them after correction. These approaches neglect the physical reality that residuals capture short-term disturbances, intermittency effects, and hidden fluctuations that directly affect grid stability and reliability. In this work, we propose a high-order Kalman filtering framework in which residuals are explicitly modeled as dynamic states with their own stochastic evolution. Rather than being treated as disposable errors, residuals are elevated to predictive components, enabling a simultaneous decomposition of system behavior into long-term operational trends and fast-changing renewable-driven fluctuations. The framework integrates innovation-driven covariance adaptation, allowing the filter to continuously recalibrate its process and measurement uncertainties under nonstationary grid conditions (e.g. fluctuating wind power, sudden load changes). In addition, a dual-stage neural network architecture is introduced to capture the smooth trajectory of the system state, and model high-frequency corrections. A real-time adaptive weighting strategy balances their influence, ensuring robustness both in stable operation and during disturbances triggered by renewable variability. Extensive simulations on wind power and speed datasets validate the effectiveness of the proposed method. The framework reduced mean absolute error (MAE) from 0.82 (trend based-multilayer perceptron, TMLP) and 0.88 (residual-based multilayer perceptron, RMLP) to 0.48 on the test data, representing over 40 % improvement. On the test wind speed dataset, MAE was reduced from 0.92 (TMLP) and 0.98 (RMLP) to 0.81, corresponding to gains of 14.68 % improvement.
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.
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 | 0,001 |
| 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 | 0,001 |
| 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 découle