文献

J-GLOBAL ID：202002278231791085   整理番号：20A2034335

ハイブリッド経験的ウェーブレット変換とロバストなウェーブレットカーネルリッジ回帰を用いた点と間隔の太陽電力予測【JST・京大機械翻訳】

Point and Interval Solar Power Forecasting Using Hybrid Empirical Wavelet Transform and Robust Wavelet Kernel Ridge Regression

著者 (4件)： Dash P. K. (Siksha O Anusandhan (Deemed to be University), Bhubaneswar, India) ,  Majumder Irani (Siksha O Anusandhan (Deemed to be University), Bhubaneswar, India) ,  Nayak Niranjan (Siksha O Anusandhan (Deemed to be University), Bhubaneswar, India) ,  Bisoi Ranjeeta (Siksha O Anusandhan (Deemed to be University), Bhubaneswar, India)
資料名： Natural Resources Research  (Natural Resources Research)
巻： 29  号： 5  ページ： 2813-2841  発行年： 2020年 
JST資料番号： W0688A  ISSN： 1520-7439  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 本論文では,新しい効率的なハイブリッド経験的ウェーブレット変換(EWT)ベース低減ロバストメキシコハットウェーブレットカーネルリッジ回帰(RMHWK)モデルを提案し,スマートグリッドシナリオにおける太陽電力の点と間隔予測の両方を達成した。最初に,実際の非線形太陽電力データ系列をEWT法によって分解した。ロバストカーネルリッジ回帰(RKRR)アプローチを組み込み,予測精度の著しい損失なしに訓練時間の顕著な減少を示した。カーネル行列のサイズの減少は,訓練データセットから一組のランダムサポートベクトルを選択することによって達成された。提案したEWT-RMHWK予測モデルの優れた性能を検証するために,1MWの太陽発電所(Odisha,インド)のリアルタイムデータセットとオンライン歴史的データセット(Florida,USA)を実行する数値実験を行い,経験的モード分解またはウェーブレット分解ベースRKRRとEWT-ELMなどを用いた他のハイブリッドモデルと比較した。カーネルパラメータをカオス水循環アルゴリズムで最適化して,提案した予測モデルの性能を強化した。さらに,提案したEWT-RKRR法を用いて,フロリダ太陽熱発電所の90%,95%,および99%の3つの異なる信頼水準を有する予測間隔予測を,それぞれ15分,1時間,および1日の異なる時間帯を用いて構築した。Copyright International Association for Mathematical Geosciences 2020 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  最適化 ,  *太陽 ,  ベクトル ,  信頼度 ,  *電力 ,  太陽光発電 ,  カオス ,  *ロバスト性 ,  *ウェーブレット変換 ,  予測モデル ,  スマートグリッド
準シソーラス用語： 予測精度 ,  ハイブリッドモデル ,  オンライン , 【Automatic Indexing@JST】

著者キーワード (6件)： 経験的ウェーブレット変換(EWT) ,  経験的モード分解(EMD) ,  ウェーブレット分解(WD) ,  ロバストなカーネルリッジ回帰(RKRR) ,  予測区間(PI) ,  カオス水サイクル最適化技術(CWCA)

分類 (2件)： 風力発電  (NB03120Q) ,  放射,大気光学  (DC05080C)

タイトルに関連する用語 (5件)： 経験 ,  ウェーブレット変換 ,  ロバスト ,  太陽 ,  予測