文献

J-GLOBAL ID：202202285176624279   整理番号：22A0151376

風力発電予測に適用した効率的なブートストラップスタッキングアンサンブル学習モデル【JST・京大機械翻訳】

Efficient bootstrap stacking ensemble learning model applied to wind power generation forecasting

著者 (8件)： Ribeiro Matheus Henrique Dal Molin (Department of Mathematics, Federal University of Technology - Parana (UTFPR), Pato Branco, Brazil) ,  Ribeiro Matheus Henrique Dal Molin (Industrial & Systems Engineering Graduate Program (PPGEPS), Pontifical Catholic University of Parana (PUCPR), Curitiba, Brazil) ,  da Silva Ramon Gomes (Industrial & Systems Engineering Graduate Program (PPGEPS), Pontifical Catholic University of Parana (PUCPR), Curitiba, Brazil) ,  Moreno Sinvaldo Rodrigues (Mechanical Engineering Graduate Program (PPGEM), Pontifical Catholic University of Parana (PUCPR), Curitiba, Brazil) ,  Mariani Viviana Cocco (Mechanical Engineering Graduate Program (PPGEM), Pontifical Catholic University of Parana (PUCPR), Curitiba, Brazil) ,  Mariani Viviana Cocco (Department of Electrical Engineering, Federal University of Parana (UFPR), Curitiba, Brazil) ,  Coelho Leandro dos Santos (Industrial & Systems Engineering Graduate Program (PPGEPS), Pontifical Catholic University of Parana (PUCPR), Curitiba, Brazil) ,  Coelho Leandro dos Santos (Department of Electrical Engineering, Federal University of Parana (UFPR), Curitiba, Brazil)
資料名： International Journal of Electrical Power & Energy Systems  (International Journal of Electrical Power & Energy Systems)
巻： 136  ページ： Null  発行年： 2022年 
JST資料番号： A0596B  ISSN： 0142-0615  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 風力エネルギーの利用は,その経済的および環境的重要性のために社会において不可欠な役割を果たす。特定時間窓内の風力発電を知ることは,保全,電力市場クリアリング,再負荷シェアリングに関して意思決定を容易にするのに有用である。しかし,風力発電に対する気候的および人口統計的因子の影響は,時々,時系列予測を複雑なタスクにする。そこで,本研究では,風力発電の短期(10および30分)および短期(60および120分)評価による時系列予測に適用したバギングおよび積層法を組み合わせたアンサンブル学習モデルを評価した。アルゴリズムおよび加重平均値を用いて,バギング戦略からサンプルを統合した。重みは,予測精度と安定性を同時に強化するために,非支配ソーティング遺伝的アルゴリズム-バージョンIIを用いた多目的最適化を通して定義される。非線形アンサンブル学習モデルの広範な適用性を実証するために,ブラジルのBahia州における2つのウィンドファームから収集した測定データで広範囲にテストする。実験結果は,提案したアンサンブル学習モデルが,サンプル外予測減少の誤差に関して,それぞれ,約7.63%,7.58%,20.8%,および25%の値で,積層,機械学習,人工ニューラルネットワーク,および統計モデルのような単一予測モデルより良い予測性能を達成することを示した。さらに,加重平均による結果は,評価予測層におけるサンプル外風力発電予測の算術平均による値より87.5%優れていた。調査結果は,アンサンブル戦略の統合が再生可能エネルギー分野における正確な予測結果を提供できることを示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. 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 ,  意思決定 ,  ニューラルネットワーク ,  *風力発電 ,  気候 ,  ソーティング ,  統計模型 ,  ウインドファーム ,  機械学習 ,  予測モデル
準シソーラス用語： 多目的最適化 ,  時系列予測 ,  *アンサンブル学習 ,  加重平均 ,  予測精度 , 【Automatic Indexing@JST】

著者キーワード (5件)： 風力発電 ,  時系列予測 ,  バギング法 ,  スタッキング ,  アンサンブル学習モデル

分類 (1件)： 風力発電  (NB03120Q)

タイトルに関連する用語 (3件)： 風力発電 ,  予測 ,  学習モデル