トンボアルゴリズムによるLSTMニューラルネットワークに基づく風力短期予測【JST・京大機械翻訳】

Liu Hui; Chen Dihuang; Lin Fang; Wan Zhouli

文献

J-GLOBAL ID：202102255752200026 整理番号：21A0430060

トンボアルゴリズムによるLSTMニューラルネットワークに基づく風力短期予測【JST・京大機械翻訳】

Wind Power Short-Term Forecasting Based on LSTM Neural Network With Dragonfly Algorithm

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=21A0430060&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=21A0430060&from=J-GLOBAL&jstjournalNo=W5565A") }}

著者 (4件)： , , ,
資料名：
巻： 1748 号： 3 ページ： 032015 (10pp) 発行年： 2021年
JST資料番号： W5565A ISSN： 1742-6588 資料種別：逐次刊行物 (A)
記事区分：原著論文発行国：イギリス (GBR) 言語：英語 (EN)

風力エネルギーの揮発性とランダム性は,電力系統における大規模利用を制限する。正確な短期風力予測は,グリッドにおける風力エネルギー並列の実効基準を提供し,風力エネルギーの商業利用のための好ましい条件を提供する。したがって,本論文は,長期と短期のニューラルネットワークを最適化できるトンボーンアルゴリズムに基づく短期風力予測モデルを提案した。最初に,モデルは収集したデータを前処理して,訓練セットと試験セットにデータを分割する。次に,DAは,長期および短期記憶ニューラルネットワークにおける関連ハイパーパラメータを最適化するために訓練セットを使用した。最後に,優れたハイパーパラメータで構築したDA-LSTM予測モデルは,予測結果を得るために試験セットを使用する。用例のシミュレーション結果は,GWO-BP,ELM,およびLSTMモデルと比較して,DA-LSTMモデルが,風力の短期予測のために時系列データを効果的に使用することができ,より高い予測精度を有することを示した。Please refer to the publisher for the copyright holders. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , , , , , , , , , , , , , ,
, , 【Automatic Indexing@JST】

風力発電

, , , ,

前のページに戻る