A Multi-Phase Deep Learning Framework for Multi-Step Short-Term Wind Power Forecasting in Presence of Uncertainties
Notice bibliographique
Résumé
With the expanding share of wind energy in power grids, accurate forecasting has become critical for maintaining system stability and operational efficiency. Notwithstanding, forecasting accuracy is compromised by uncertainties from fluctuating wind speeds and meteorological conditions. This paper proposes a novel multi-phase short-term wind power forecasting framework (multi-step ahead forecasting over a 1-hour horizon). Thus, decomposition of the wind power signal and feature extraction are initially implemented using Variational Mode Decomposition (VMD) and Principal Components Analysis (PCA), respectively, aiming to enhance input quality and reduce computational burden. The proposed forecasting model is built on a hybrid DL architecture merging a Convolutional Neural Network (CNN), Attention Mechanism (AM), and Deep Feedforward Neural Network (DFFNN). Given the impact of decomposition levels and extracted PCA components count on forecasting performance, a search-based scheme is developed to explore a pre-defined space (maximum decomposition level and extracted components count) to determine the optimal configuration for each interval. In the next phase, a Fuzzy Decision-Making (FDM) technique is employed to select a balanced and optimal configuration for the proposed model across the year. To demonstrate the proposed architecture’s efficacy and generalizability, the model is tested on two real-world data from La Haute Borne wind farm in France and Hill of Towie wind farm in Scotland. Results demonstrate that the proposed architecture with the selected configurations achieves significant accuracy and generalization, with average NRMSEs and NMAEs values of 0.428% and 0.333% for La Haute Borne wind farm and 0.502% and 0.381% for Hill of Towie wind farm.
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 ».