文献

J-GLOBAL ID：202202273602510122   整理番号：22A1027500

太陽光発電予測のための統合AMPSO-CLSTMモデル【JST・京大機械翻訳】

An Integrated AMPSO-CLSTM Model for Photovoltaic Power Generation Prediction

著者 (8件)： Yu Shiwei (1Center for Energy Environmental Management and Decision-making, China University of Geosciences, Wuhan, China) ,  Yu Shiwei (2School of Economics and Management, China University of Geosciences, Wuhan, China) ,  Han Ruilian (1Center for Energy Environmental Management and Decision-making, China University of Geosciences, Wuhan, China) ,  Han Ruilian (2School of Economics and Management, China University of Geosciences, Wuhan, China) ,  Zheng Yuxuan (1Center for Energy Environmental Management and Decision-making, China University of Geosciences, Wuhan, China) ,  Zheng Yuxuan (2School of Economics and Management, China University of Geosciences, Wuhan, China) ,  Gong Chengzhu (1Center for Energy Environmental Management and Decision-making, China University of Geosciences, Wuhan, China) ,  Gong Chengzhu (2School of Economics and Management, China University of Geosciences, Wuhan, China)
資料名： Frontiers in Energy Research (Web)  (Frontiers in Energy Research (Web))
巻： 10  ページ： 815256  発行年： 2022年 
JST資料番号： U7069A  ISSN： 2296-598X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 光起電力(PV)発電予測における揮発性と間欠的な性質の課題に取り組むために,適応突然変異粒子群最適化(AMPSO)によって最適化された新しい畳込み長短期メモリネットワーク(CLSTM)予測モデルを提案した。このモデルにおいて,CNNにおける畳込みカーネルの局所センシング能力を用いて,PV発電の可変影響因子から高次元特徴を抽出し,時系列データとPVの間のマッピングを,LSTMにおけるゲート制御ユニットのメモリ能力によって確立した。AMPSOアルゴリズムを導入して,CLSTMのネットワーク構造と重みを同時に最適化した。モデルの性能が2つの異なる2つのデータセットによって検証された。その結果,CLSTM,Auto-LSTM,LSTMおよび再帰ニューラルネットワークモデルと比較して,AMPSO-CLSTMモデルの二乗平均平方根誤差(RMSE)は,それぞれ1.92~6.53%および6.23-31.10%減少し,平均絶対誤差(MAE)は6.92~16.87%および11.71~48.84%減少し,平均絶対百分率誤差(MAPE)は,それぞれ13.24~31.75%および12.22~49.00%減少した。CLSTMモデルと比較して,AMPSO-CLSTMの畳込み層におけるチャネルの数は,それぞれ51.76~71.09%および61.72~86.72%減少し,LSTMにおける隠れニューロンの数は,それぞれ32~60%および53~84%減少した。Copyright 2022 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 記憶装置 ,  光起電力 ,  最適化 ,  畳込み ,  ネットワーク ,  ニューロン ,  ニューラルネットワーク ,  突然変異 ,  ネットワーク構造 ,  *モデル ,  *太陽光発電 ,  予測モデル
準シソーラス用語： 神経回路網モデル ,  時系列データ ,  粒子群最適化 , 【Automatic Indexing@JST】

著者キーワード (6件)： 深層学習ニューラルネットワーク ,  畳込みニューラルネットワーク ,  長期短期記憶ネットワーク ,  太陽光発電 ,  予測 ,  適応突然変異粒子群最適化

分類 (2件)： 自然語処理  (JE06000L) ,  パターン認識  (JE07000S)

引用文献 (55件)：

• Abdel-NasserM., MahmoudK. (2019). Accurate Photovoltaic Power Forecasting Models Using Deep LSTM-RNN. Neural Comput. Applic. 31, 2727-2740. doi: 10.1007/s00521-017-3225-z
• Al-DahidiS., AyadiO., AdeebJ., LouzazniM. (2019). Assessment of Artificial Neural Networks Learning Algorithms and Training Datasets for Solar Photovoltaic Power Production Prediction. Front. Energ. Res. 7, 130. doi: 10.3389/fenrg.2019.00130
• AlfiA. (2011). PSO with Adaptive Mutation and Inertia Weight and its Application in Parameter Estimation of Dynamic Systems. Acta Automatica Sinica. 37, 541-549. doi: 10.1016/s1874-1029(11)60205-x
• AlkandariM., AhmadI. (2020). Solar Power Generation Forecasting Using Ensemble Approach Based on Deep Learning and Statistical Methods. Appl. Comput. Inform. ahead-of-print. doi: 10.1016/j.aci.2019.11.002
• BashirZ. A., El-HawaryM. E. (2009). Applying Wavelets to Short-Term Load Forecasting Using PSO-Based Neural Networks. IEEE Trans. Power Syst. 24, 20-27. doi: 10.1109/tpwrs.2008.2008606

タイトルに関連する用語 (5件)： 太陽光発電 ,  予測 ,  統合 ,  AMPSO ,  モデル