文献

J-GLOBAL ID：202202291223941338   整理番号：22A1027551

Fluctuant/Smooth成分分割に基づく地域超短期風力組合せ予測法【JST・京大機械翻訳】

Regional Ultra-Short-Term Wind Power Combination Prediction Method Based on Fluctuant/Smooth Components Division

著者 (4件)： Li Yalong (1School of Mechanical Electronic and Information Engineering, China University of Mining and Technology (Beijing), Beijing, China) ,  Yan Licheng (1School of Mechanical Electronic and Information Engineering, China University of Mining and Technology (Beijing), Beijing, China) ,  He Hao (2Electric Power Research Institute, State Grid Jiangxi Electric Power Co., Ltd., Nanchang, China) ,  Zha Wenting (1School of Mechanical Electronic and Information Engineering, China University of Mining and Technology (Beijing), Beijing, China)
資料名： Frontiers in Energy Research (Web)  (Frontiers in Energy Research (Web))
巻： 10  ページ： 840519  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： 多重散乱ウィンドファームを送電網に接続するとき,単一ウィンドファームの電力予測に用いる気象および地理情報データは,ディスパッチング部門の地域風力予測に適していない。したがって,地域風力履歴データに基づいて,本研究は,データ分解による複合予測法を提案した。最初に,拡張方式によって処理したオリジナルシーケンスを,適応雑音(CEEMDAN)による完全アンサンブル経験的モード分解によっていくつかの規則的成分に分解した。すべての成分は2つのカテゴリーに分類される:変動する成分と滑らかな成分。次に,異なるデータの特性に従って,長い短期記憶(LSTM)ネットワークと自己回帰統合移動平均(ARIMA)モデルを,それぞれ,変動する成分と滑らかな成分をモデル化するために用いて,各成分の予測値を得る。最後に,全成分の予測データを蓄積し,これは地域超短期風力の最終予測結果である。この方法の実現可能性と精度を比較分析により検証した。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： *予測技法 ,  雑音 ,  多重散乱 ,  ディスパッチング ,  電力 ,  ネットワーク ,  *予測 ,  気象 ,  送電系統 ,  モデリング ,  *風力 ,  ウインドファーム
準シソーラス用語： ARIMAモデル ,  地理情報 ,  自己回帰 , 【Automatic Indexing@JST】

著者キーワード (5件)： 風力予測 ,  CEEMDAN ,  LSTMネットワーク ,  ARIMA ,  組合せ予測

分類 (2件)： 風力発電  (NB03120Q) ,  風力エネルギー  (LB03060X)

引用文献 (24件)：

• BediJ., ToshniwalD. (2018). Empirical Mode Decomposition Based Deep Learning for Electricity Demand Forecasting. IEEE Access 6, 49144-49156. doi: 10.1109/access.2018.2867681
• ChenW., QiW., LiY., ZhangJ., ZhuF., XieD., et al (2021). Ultra-Short-Term Wind Power Prediction Based on Bidirectional Gated Recurrent Unit and Transfer Learning. Front. Energ. Res. 9, 808116. doi: 10.3389/fenrg.2021.808116
• ElsaraitiM., MerabetA. (2021). Application of Long-Short-Term-Memory Recurrent Neural Networks to Forecast Wind Speed. Appl. Sci. 11, 2387. doi: 10.3390/app11052387
• FuQ., JingB., HeP., SiS., WangY. (2018). Fault Feature Selection and Diagnosis of Rolling Bearings Based on EEMD and Optimized Elman_AdaBoost Algorithm. IEEE Sensors J. 18, 5024-5034. doi: 10.1109/jsen.2018.2830109
• GanL., LiG. Y., ZhouM. (2016). Coordinated Planning of Large-Scale Wind Farm Integration System and Transmission Network. CSEE J. Power Energ. Syst. 2, 2530-2539. doi: 10.17775/cseejpes.2016.00005

タイトルに関連する用語 (5件)： 地域 ,  短期 ,  風力 ,  組合せ ,  予測法