文献

J-GLOBAL ID：202202262262209927   整理番号：22A1056518

データ再構成と改良型極値学習機械に基づく短期風力予測【JST・京大機械翻訳】

Short-Term Wind Power Prediction Based on Data Reconstruction and Improved Extreme Learning Machine

著者 (2件)： Li Haobo (School of Electrical Engineering, Shanghai Dianji University, Shanghai, China) ,  Zou Hairong (School of Electrical Engineering, Shanghai Dianji University, Shanghai, China)
資料名： Arabian Journal for Science and Engineering  (Arabian Journal for Science and Engineering)
巻： 47  号： 3  ページ： 3669-3682  発行年： 2022年 
JST資料番号： W4051A  ISSN： 2193-567X  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： 効果的方法における風力短期予測の精度を改善する目的で,改良ウェーブレット閾値雑音除去と主成分分析(PCA)を適用して,オリジナル風力データの次元を雑音除去し,縮小し,風力データを再構成し,そして,情報の品質を効果的に改善した。次に,風力信号の非定常性を減少させる目的で,再構成信号をアンサンブル経験的モード分解(EEMD)によって周波数領域で分解した。隠れ層ニューロンの量がランダムに決定されるとき,極端な学習機械(ELM)アルゴリズムが低い安定性と精度を有するという問題に関して,微分進化(DE)アルゴリズムによる粒子群最適化アルゴリズム(IPSO)を導入して,ELMを改善し,次に,異なる周波数領域における風力信号のための予測モデルを構築するために使用し,そして,より低い予測誤差を達成した。次に,Markov連鎖を用いて動的組合せ予測モデルを構築し,異なるサブ信号予測モデルの重みを適応的に決定した。異なるサブ信号の予測値を直接追加して,より高い予測精度を本論文で提案した予測方式によって実証した。最後に,実際のウィンドファーム運転データを適用してシミュレーション実験を行い,導入した予測スキームの優位性を検証した。Copyright King Fahd University of Petroleum & Minerals 2022 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 ,  シミュレーション ,  ニューロン ,  *学習機械 ,  Markov連鎖 ,  波束 ,  *風力 ,  主成分分析 ,  ウインドファーム ,  予測誤差 ,  雑音除去 ,  予測モデル ,  周波数領域
準シソーラス用語： 予測精度 ,  隠れ層 , 【Automatic Indexing@JST】

著者キーワード (6件)： 風力予測 ,  データ再構成 ,  アンサンブル経験的モード分解 ,  極限学習機械 ,  Markov連鎖 ,  複合予測モデル

分類 (1件)： 風力発電  (NB03120Q)

タイトルに関連する用語 (6件)： データ再構成 ,  極値 ,  学習機械 ,  短期 ,  風力 ,  予測