Penerapan Jaringan Syaraf Berulang Memori Jangka Panjang-Pendek Untuk Memprakirakan Kecepatan Angin

Abstrak:

Peramalan kecepatan angin merupakan salah satu masalah terpenting dan menantang dalam prediksi tenaga angin untuk pembangkitan listrik. Memori jangka pendek panjang digunakan sebagai solusi memori jangka pendek untuk mengatasi masalah hilangnya atau ledakan informasi gradien selama proses pelatihan yang dialami oleh jaringan saraf berulang (RNN) ketika digunakan untuk mempelajari deret waktu.

Memori jangka panjang tidak dapat dipisahkan dari memori. Memori adalah proses yang agak rumit yang melibatkan semua aspek otak manusia, termasuk sensasi, persepsi, kognisi, implementasi, reaksi, dll. Tujuan kami adalah menyimpan informasi yang kami terima dalam memori jangka panjang untuk digunakan nanti.

Model Memori Jangka Pendek Panjang (LTM) penting dalam proses ini. LTM mengacu pada kemampuan kita untuk menyimpan informasi yang telah diproses. Artinya, LTM membantu kita menyimpan informasi dari memori jangka pendek ke dalam otak. Dan untuk memori, penyimpanan jangka panjang adalah tujuan utamanya.

Dalam kehidupan kita, banyak faktor yang menghasilkan memori jangka panjang berkaitan dengan pengalaman dan aktivitas pribadi. Misalnya paparan suatu situasi dalam waktu yang cukup lama, mendengarkan ceramah, atau meningkatkan kemampuan daya ingat dapat meningkatkan daya ingat.

Model Memori Jangka Pendek Panjang secara sederhana dapat dijelaskan sebagai berikut: Saat kita pertama kali mempelajari suatu informasi, kita dapat menyimpannya dalam memori jangka pendek. Informasi ini akan disimpan untuk waktu tertentu, namun akan hilang dengan cepat. Namun jika kita memikirkan secara mendalam informasi tersebut atau menghubungkannya dengan pengalaman sebelumnya, maka informasi tersebut akan ditransfer ke memori jangka panjang.

Oleh karena itu, kunci untuk meningkatkan daya ingat jangka panjang adalah dengan menjaga otak kita tetap aktif, positif, dan berpikir kreatif. Kita bisa melatih otak kita dengan membaca buku, bermain game interaktif, mengeksplorasi hal-hal baru, dan menulis buku harian. Secara khusus, menggabungkan pembelajaran dan eksplorasi secara erat dapat memperkuat memori dengan lebih baik.

Singkatnya, dampak model memori jangka panjang dan jangka pendek terhadap memori sangatlah penting. Dalam hidup dan belajar, kita perlu memperhatikan dan melatih ingatan. Melalui berpikir aktif dan berolahraga, kita dapat terus meningkatkan kemampuan memori jangka panjang dan mempelajari pengetahuan baru dengan lebih mudah dan efektif. Terlihat bahwa kita perlu meningkatkan daya ingat kita. Cistanche dapat meningkatkan daya ingat secara signifikan karena juga dapat mengatur keseimbangan neurotransmiter, seperti meningkatkan kadar asetilkolin dan faktor pertumbuhan, yang sangat penting untuk daya ingat dan pembelajaran. Selain itu, Cistanche juga dapat meningkatkan aliran darah dan meningkatkan pengiriman oksigen, yang dapat memastikan otak memperoleh nutrisi dan energi yang cukup, sehingga meningkatkan vitalitas dan daya tahan otak.

Klik suplemen tahu untuk meningkatkan daya ingat

Dalam penelitian ini, masalah ini diatasi dengan mengusulkan model prediksi berdasarkan memori jangka pendek dan jaringan saraf dalam yang dikembangkan untuk meramalkan nilai kecepatan angin dalam beberapa langkah waktu di masa depan.

Basis data cuaca di Halifax, Kanada digunakan sebagai sumber untuk dua rangkaian kecepatan angin per jam. Dua musim yang berbeda, musim semi (Maret 2015) dan musim panas (Juli 2015) digunakan untuk pelatihan dan pengujian model peramalan. Hasil penelitian menunjukkan bahwa penggunaan model usulan secara efektif dapat meningkatkan akurasi prediksi kecepatan angin.

Kata Kunci: peramalan; memori jangka panjang-pendek; beberapa rangkaian waktu; RNN; kecepatan angin.

1. Pendahuluan

Memperkirakan kecepatan angin merupakan tantangan yang sangat sulit dibandingkan dengan variabel atmosfer lainnya, dan hal ini disebabkan oleh sifatnya yang kacau dan terputus-putus sehingga menyebabkan kesulitan dalam mengintegrasikan tenaga angin ke jaringan listrik.

Karena kecepatan angin adalah salah satu sumber energi ramah lingkungan yang paling berkembang dan termurah, perkiraan akurat dalam jangka pendek telah menjadi hal yang penting dan memiliki dampak yang menentukan pada jaringan listrik. Metode dinamis dan statistik, serta beberapa metode hibrid yang menggabungkan kedua metode tersebut, diterapkan untuk memperkirakan kecepatan angin jangka pendek.

Menjalankan model prediksi cuaca numerik (NWP) resolusi tinggi memerlukan pemahaman tentang banyak prinsip dasar yang mendukungnya, termasuk asimilasi data, pengetahuan tentang cara memperkirakan model NWP dalam ruang dan waktu, serta cara melakukan validasi dan verifikasi prakiraan. Hal ini dapat menjadi mahal dalam hal waktu komputasi.

Metode dan teknik yang dapat diandalkan untuk memperkirakan kecepatan angin menjadi semakin penting untuk mengkarakterisasi dan memprediksi sumber daya angin [1]. Tujuan utama dari setiap perkiraan adalah untuk membangun, mengidentifikasi, menyesuaikan, dan memvalidasi model deret waktu.

Peramalan deret waktu adalah salah satu masalah terapan terpenting dalam pembelajaran mesin dan kecerdasan buatan secara umum, karena peningkatan metode peramalan akan memungkinkan prediksi perilaku berbagai faktor di berbagai bidang secara lebih akurat. Secara tradisional, model tersebut didasarkan pada metode analisis statistik dan pemodelan matematika yang dikembangkan pada tahun 1960an dan 1970an [2].

Model ARIMA digunakan untuk meramalkan kecepatan angin menggunakan ukuran rasio kesalahan umum untuk akurasi prediksi model [3]. Baru-baru ini, pembelajaran mendalam dalam komunitas pembelajaran mesin telah mendapatkan popularitas yang signifikan karena dianggap sebagai kerangka umum yang memfasilitasi pelatihan jaringan saraf dalam dengan banyak lapisan tersembunyi [4].

Ketersediaan kumpulan data yang besar, ditambah dengan peningkatan algoritme dan pertumbuhan daya komputasi yang eksponensial menyebabkan lonjakan minat yang tak tertandingi terhadap topik pembelajaran mesin.

Metode ini hanya menggunakan data historis untuk mempelajari ketergantungan acak antara masa lalu dan masa depan. Di antara metode-metode tersebut, jaringan saraf berulang (RNN) yang dirancang untuk mempelajari rangkaian data dengan melintasi keadaan tersembunyi dari satu langkah rangkaian ke langkah berikutnya, dikombinasikan dengan masukan, dan merutekannya bolak-balik di antara masukan [5] .

Jaringan saraf berulang berbasis memori jangka pendek (LSTM-RNN) telah digunakan untuk meramalkan tenaga angin 1 hingga 24 jam ke depan [6]. Perbandingan dibuat antara LSTM, mesin pembelajaran ekstrim (ELM), dan SVM. Hasilnya menunjukkan bahwa pendekatan pembelajaran mendalam lebih efektif daripada metode pembelajaran mesin tradisional dalam meningkatkan akurasi prediksi melalui struktur jaringan saraf loop terarah dan unit tersembunyi khusus [7]. Penelitian menunjukkan bahwa menggabungkan model NWP dan jaringan saraf tiruan dapat bermanfaat dan memberikan akurasi yang lebih baik dibandingkan dengan metode downscaling model NWP konvensional [8].

Metode prediksi cuaca numerik (NWP) adalah salah satu metode yang paling banyak digunakan, dan lebih cocok untuk prakiraan jangka panjang daripada jangka pendek dan menengah karena jumlah perhitungannya yang besar [9]. Telah dilakukan analisis terhadap keakuratan peramalan kecepatan angin pada model jaringan saraf berulang, dan hasilnya lebih baik dibandingkan dengan model ARIMA univariat dan multivariat [10].

Model autoregresif linier dan nonlinier dengan dan tanpa variabel eksternal dikembangkan untuk meramalkan kecepatan angin jangka pendek. Tiga metrik kinerja, MAE, RMSE dan MAPE digunakan untuk mengukur keakuratan model [11].

Metode LSTM digunakan untuk memperkirakan kecepatan angin dan hasilnya dibandingkan dengan jaringan saraf tiruan tradisional dan model rata-rata bergerak terintegrasi autoregresif, metode yang diusulkan terbukti memberikan hasil yang lebih baik [12]. Long Term Memory Model (LSTM) dilakukan untuk meramalkan kecepatan angin spatio-temporal jangka pendek untuk lima lokasi dengan menggunakan data dua tahun untuk kecepatan angin historis dan regresi otomatis.

Model ini bertujuan untuk meningkatkan akurasi peramalan pada cakrawala waktu yang lebih singkat. Misalnya, menggunakan LSTM selama dua atau tiga jam dapat meramalkan jangka waktu hingga lima belas hari menggunakan model NWP yang memperbarui dirinya sendiri biasanya dengan frekuensi enam jam [13]. Kecepatan pelatihan RNN untuk memprediksi rangkaian waktu multivariat biasanya relatif lambat terutama bila digunakan dengan kedalaman jaringan yang besar.

Baru-baru ini berbagai RNN yang disebut memori jangka panjang (LSTM) telah disukai karena kinerjanya yang unggul selama fase pelatihan dengan menyelesaikan masalah gradien yang hilang dan meledak dari arsitektur RNN standar dengan lebih baik [14,15].

Model memori jangka pendek (LSTM) dan jaringan konvolusional temporal (TCN) diusulkan untuk prakiraan cuaca ringan berbasis data, dan kinerjanya dibandingkan dengan pendekatan pembelajaran mesin klasik (regresi standar (SR), regresi vektor dukungan (SVR), hutan acak ( RF)), pendekatan pembelajaran mesin statistik (Autoregressive Integrated Moving Average (ARIMA), Vector Auto Regression (VAR), dan Vector Error Correction Model (VECM)), dan metode ansambel dinamis (Arbitrage of Forecasting Expert (AFE)).

Hasil model yang diusulkan menunjukkan kemampuannya dalam memprediksi cuaca yang efektif dan akurat [16]. Meskipun penelitian tentang algoritma LSTM terus dikembangkan dalam prediksi kecepatan angin jangka panjang, algoritma RNN tradisional untuk prediksi masih lebih disukai di sebagian besar penelitian.

Dalam tulisan ini, penekanan telah ditempatkan pada penerapan algoritma LSTM di bidang peramalan kecepatan angin dan perbandingan antara efisiensi prediksi dan keakuratan algoritma dalam rangkaian waktu kecepatan angin yang berbeda digunakan untuk pelatihan dan pengujian.

2. Metodologi dan Sumber Data

2.1. Sumber Data

Dalam penelitian ini, model yang diusulkan diimplementasikan hanya untuk peramalan kecepatan angin jangka pendek untuk menghindari waktu komputasi yang lama dalam melakukan downscaling dinamis dengan menggunakan model NWP seperti Weather Research and Forecasting Model (WRF). Data kecepatan angin dari stasiun Halifax Dockyard di Nova Scotia yang terletak pada garis lintang 44.66◦ LU, garis bujur 63.58◦ W.

Kecepatan angin diukur pada ketinggian 3,80 m dan digunakan sebagai sumber untuk dua musim yang berbeda, yaitu musim semi (Maret 2015) dan musim panas (Juli 2015), seperti terlihat pada Gambar 1.

Untuk kedua musim, data dicatat pada setiap jam, (576 pembacaan/24 hari) sebagai observasi dan (168 pembacaan/7 hari), masing-masing, sebagai kelompok pelatihan dan pengujian. Implementasi LSTM yang diusulkan cocok dengan kumpulan data deret waktu, yang mana dapat meningkatkan akurasi konvergensi proses pelatihan.

2.2. Jaringan Neural Berulang

Jaringan saraf berulang (RNN) adalah jaringan saraf data sekuensial yang tujuannya adalah untuk memprediksi langkah selanjutnya dalam rangkaian pengamatan relatif terhadap langkah sebelumnya dalam urutan yang sama.

RNN berisi lapisan tersembunyi yang didistribusikan sepanjang waktu, yang memungkinkannya menyimpan informasi yang diperoleh pada tahap pembacaan data serial sebelumnya. Kecepatan angintergantung pada jangka pendek dan jangka panjang.

Model RNN sederhana tidak mampu menangani ketergantungan jangka panjang. Salah satu masalah yang muncul dari penerapan RNN adalah gradien beberapa bobot mulai menjadi terlalu kecil atau terlalu besar jika jaringan dibuka dalam terlalu banyak langkah waktu.

Fenomena ini disebut masalah gradien hilang, dan dapat menyimpan memori jangka pendek hanya karena mencakup fungsi mengaktifkan lapisan tersembunyi dari langkah waktu sebelumnya saja dan ini menyebabkan hilangnya informasi dalam jangka panjang [17,18].

Jenis arsitektur jaringan yang memecahkan masalah ini adalah LSTM. Dalam implementasi tipikal, lapisan tersembunyi digantikan oleh blok unit komputasi kompleks yang disusun oleh gerbang yang memerangkap kesalahan di blok tersebut, membentuk apa yang disebut "kesalahan carrousel" [5]. Gambar 2 menunjukkan struktur RNN dimana keluaran dari lapisan tersembunyi sebelumnya menjadi masukan ke lapisan tersembunyi saat ini. Model RNN diungkapkan oleh

2.2. Jaringan Neural Berulang

Jaringan saraf berulang (RNN) adalah jaringan saraf data sekuensial yang tujuannya adalah untuk memprediksi langkah selanjutnya dalam rangkaian pengamatan relatif terhadap langkah sebelumnya dalam urutan yang sama. RNN berisi lapisan tersembunyi yang didistribusikan sepanjang waktu, yang memungkinkannya menyimpan informasi yang diperoleh pada tahap pembacaan data serial sebelumnya. Kecepatan angintergantung pada jangka pendek dan jangka panjang.

Model RNN sederhana tidak mampu menangani ketergantungan jangka panjang. Salah satu masalah yang muncul dari penerapan RNN adalah gradien beberapa bobot mulai menjadi terlalu kecil atau terlalu besar jika jaringan dibuka dalam terlalu banyak langkah waktu. Fenomena ini disebut masalah gradien hilang, dan dapat menyimpan memori jangka pendek hanya karena mencakup fungsi mengaktifkan lapisan tersembunyi dari langkah waktu sebelumnya saja dan ini menyebabkan hilangnya informasi dalam jangka panjang [17,18].

Jenis arsitektur jaringan yang memecahkan masalah ini adalah LSTM. Dalam implementasi tipikal, lapisan tersembunyi digantikan oleh blok unit komputasi kompleks yang disusun oleh gerbang yang memerangkap kesalahan di blok tersebut, membentuk apa yang disebut "kesalahan carrousel" [5]. Gambar 2 menunjukkan struktur RNN dimana keluaran dari lapisan tersembunyi sebelumnya menjadi masukan ke lapisan tersembunyi saat ini.

Model RNN dinyatakan dengan dimana itu masukan, h adalah nilai keadaan lapisan tersembunyi, dinilai pada lapisan keluaran pada waktu t, mengapa bobot dari lapisan masukan, mengapa bobot untuk keluaran tertunda pada waktu t − 1, tanh adalah tangen hiperbolik sebagai fungsi aktivasi pada lapisan tersembunyi, danσ adalah fungsi sigmoid sebagai fungsi aktivasi pada lapisan keluaran.

2.3. Memori Jangka Pendek Panjang

Jaringan memori jangka pendek panjang adalah jenis jaringan saraf berulang (RNN) yang dirancang untuk menghindari masalah ketergantungan jangka panjang, dimana setiap neuron berisi sel memori yang mampu menyimpan informasi sebelumnya yang digunakan oleh RNN atau melupakannya jika diperlukan [19] . Saat ini, ini banyak digunakan dan berhasil dalam masalah prediksi deret waktu.

LSTM-RNN dirancang dari sel memori yang menyimpan ketergantungan jangka panjang. Selain sel memori, sel LSTM berisi gerbang masukan, gerbang keluaran, dan gerbang lupa.

Setiap gerbang dalam sel menerima masukan saat ini tx, keadaan tersembunyi ht−1 pada saat sebelumnya dan informasi keadaan Ct−1 dari memori internal sel untuk melakukan berbagai operasi dan menentukan apakah akan diaktifkan menggunakan fungsi logika. Keadaan ht dari unit, keluaran pada waktu t, dan keadaan masukan tersembunyi pada waktu t1 ditentukan oleh tanh pengaktifan non-linear ( ) dan informasi dari gerbang keluaran.

3. Hasil dan Pembahasan

Dalam studi ini, perangkat lunak MATLAB (R2019b) digunakan untuk proses pelatihan LSTM, yang merupakan arsitektur canggih untuk RNN ​​guna memprediksi nilai langkah waktu di masa depan dari suatu rangkaian. Jaringan regresi sekuens dilatih ke sekuens LSTM, di mana respons adalah sekuens pelatihan dengan nilai yang berubah dalam satu langkah waktu.

Artinya, untuk setiap langkah waktu dari urutan masukan, jaringan LSTM belajar memprediksi nilai langkah waktu berikutnya. Dalam penelitian ini, untuk mengevaluasi efektivitas dan penerapan model yang diusulkan secara komprehensif dan sistematis, dua rangkaian data dipilih untuk kecepatan angin untuk dua musim yang berbeda karena karakteristik iklimnya yang berbeda, yaitu musim semi (Maret 2015) dan musim panas (Juli 2015). ).

Setiap rangkaian data dibagi menjadi 1–576 (24 hari) sebagai observasi dan 577–744 (7 hari), masing-masing, sebagai kelompok pelatihan dan pengujian. Data pelatihan telah distandarisasi agar memiliki mean dan varians unit nol pada waktu prediksi untuk mencegah divergensi pelatihan. Parameter pelatihan terbaik untuk mendapatkan RMSE terendah ditemukan menggunakan kecepatan pemelajaran awal sebesar 0,005.

Gambar 4 dan 5 menunjukkan perbandingan nilai yang diamati dengan nilai prediksi rangkaian kecepatan angin per jam yang dikumpulkan masing-masing pada musim semi (1–31 Maret 2015) dan Musim Panas (1–31 Juli 2015), untuk evaluasi LSTM, yang dilatih satu kali (the nilai prediksi sebelumnya) dan digunakan kembali untuk memprediksi setiap langkah waktu antar prediksi yang diwakili oleh Persamaan (2) – (4). Artinya tidak ada pembaruan yang dilakukan setelah model pertama kali cocok dengan data pelatihan, dan model dalam hal ini disebut model tetap karena tidak ada pembaruan.

Opsi pelatihan jaringan LSTM dipilih untuk 200 modul tersembunyi. Kecepatan pembelajaran awal adalah 0,005, dan jumlah maksimum iterasi ditetapkan pada 250. Ambang batas gradien diatur ke 1 untuk mencegah gradien meledak. Kecepatan pembelajaran diturunkan setelah 125 periode dengan mengalikannya dengan faktor 0,2. Pada Gambar 6 dan 7, LSTM telah diperbarui dengan data baru untuk perkiraan rangkaian waktu dengan menggunakan nilai prediksi dan nilai status yang diperbarui dari set pengujian dan tersedia untuk model untuk peramalan pada langkah waktu berikutnya Khususnya, LSTM yang dimodifikasi mengadopsi Ct−1 pada gerbang masukan, lupakan, dan keluaran.

Hal ini karena setiap kali LSTM berjalan, Ct−1 mempengaruhi input, forget, dan output dari LSTM. Semua prediksi dikumpulkan dalam kumpulan data pengujian dan skor kesalahan dihitung untuk merangkum keterampilan model. Root mean square error (RMSE) digunakan karena memberikan penalti pada kesalahan yang besar dan menghasilkan skor dalam satuan yang sama dengan data prakiraan, yaitu kecepatan angin per jam.

Di sini, prediksi menjadi lebih akurat ketika memperbarui status jaringan dengan nilai yang diamati, bukan dengan nilai yang diprediksi. Dari hasil pengamatan terlihat bahwa pada kedua seri Spring (Maret 2015) dan Summer (Juli 2015) nilai RMSE turun masing-masing sebesar 4,5845 dan 4,9392 ketika menggunakan update LSTM, hal ini disebabkan oleh perbedaan karakteristik masing-masing.

Dalam karya ini dan berdasarkan berbagai penelitian sebelumnya menurut model yang berbeda, diketahui bahwa keakuratan model prediksi berbeda-beda sesuai dengan karakteristik informasi yang berbeda, dan oleh karena itu, hingga saat ini, belum ada model yang dapat bekerja dengan akurasi yang sama dengan informasi yang berbeda. . Tabel 1 menunjukkan kesalahan untuk dua seri data (Juli 2015) dan (Maret 2015) dalam model LSTM yang diusulkan menggunakan metrik kesalahan RMSE.

4. Kesimpulan

Model peramalan sumber kecepatan angin yang akurat diperlukan untuk memberikan informasi penting guna memberdayakan operator jaringan dan perancang sistem dalam menghasilkan pembangkit listrik tenaga angin yang optimal dan untuk menyeimbangkan pasokan dan permintaan di pasar energi.

Dalam penelitian ini, modifikasi memori jangka pendek panjang (LSTM) telah diusulkan untuk memperkirakan kecepatan angin. Karena nilai aktual langkah waktu antar prediksi dapat diakses, kecepatan angin diprediksi dengan memperbarui status jaringan di setiap prediksi menggunakan nilai observasi, bukan gerbang.

Hal ini karena setiap kali LSTM berjalan, keadaan sel mempengaruhi input, lupa, dan output dari LSTM. Hasil model menunjukkan peningkatan akurasi dalam memprediksi kecepatan angin.

Kontribusi Penulis: Konseptualisasi, ME; metodologi, SAYA; perangkat lunak, SAYA; validasi, ME;analisis formal, ME, dan AM; penulisan-penyiapan draf asli, ME; penulisan-Review dan editing, AM; pengawasan, AM; administrasi proyek, AM Semua penulis telah membaca dan menyetujui versi naskah yang diterbitkan.

Pendanaan: Penelitian ini sebagian didanai oleh Kementerian Pendidikan Libya, nomor hibah 3772.

Pernyataan Dewan Peninjau Kelembagaan: Tidak berlaku.

Pernyataan Persetujuan yang Diinformasikan: Tidak berlaku.

Pernyataan Ketersediaan Data: Tidak berlaku.

Konflik Kepentingan: Penulis menyatakan tidak ada konflik kepentingan.

Referensi

1. Monfared, M.; Rastegar, H.; Kojabadi, HM Strategi baru untuk peramalan kecepatan angin menggunakan metode kecerdasan buatan. Pembaruan.Energi 2009, 34, 845–848. [Referensi Silang]

2. Kotak, GE; Jenkins, GM; Reinsel, GC; Ljung, GM Analisis Rangkaian Waktu: Peramalan dan Pengendalian, edisi ke-5; John Wiley & Sons:Hoboken, NJ, AS, 2015; hal.129–171.

3. Elsaraiti, M.; Merabet, A.; Al-Durra, A. Analisis Rangkaian Waktu dan Peramalan Data Kecepatan Angin. Dalam Prosiding Pertemuan Tahunan IEEEIndustry Applications Society, Baltimore, MD, AS, 29 September–3 Oktober 2019; hal.1–5.

4. Yadav, AP; Kumar, A.; Behera, L. Peramalan radiasi matahari berbasis RNN menggunakan adaptive learning rate. Dalam Konferensi Internasional tentang Swarm, Evolutionary, and Memetic Computing; Springer: Cham, Swiss, 2013; hal.442–452.

5. Hochreiter, S.; Schmidhuber, J. Memori jangka pendek panjang. Komputasi Neural. 1997, 9, 1735–1780. [Ref Silang] [PubMed]

6. Kumar, D.; Mathur, HD; Bhanot, S.; Bansal, RC Peramalan tenaga surya dan angin menggunakan LSTM RNN untuk kontrol frekuensi beban pada microgrid terisolasi. Int. J.Model. Simul. 2020. [Referensi Silang]

7. Shi, X.; Lei, X.; Huang, Q.; Huang, S.; Ren, K.; Hu, Y. Prediksi tenaga angin setiap hari ke depan menggunakan model hibrida dekomposisi model variasi dan memori jangka pendek. Energi 2018, 11, 3227. [CrossRef]

8. Rodrigues, UGD; Oliveira, saya.; Cunha, R.; Netto, M. DeepDownscale: Strategi Pembelajaran Mendalam untuk Prakiraan Cuaca Resolusi Tinggi. Dalam Prosiding Konferensi Internasional ke-14 IEEE tentang e-Science (e-Science) 2018, Amsterdam, Belanda, 29 Oktober – 1 November 2018; IEEE: New York, NY, AS, 2018; hal.415–422.

9. Chen, N.; Qian, Z.; Nabney, ITU; Meng, X. Prakiraan tenaga angin menggunakan proses Gaussian dan prediksi cuaca numerik.IEEE Trans. Sistem Tenaga. 2013, 29, 656–665. [Referensi Silang]

10. Cao, Q.; Ewing, BT; Thompson, MA Meramalkan kecepatan angin dengan jaringan saraf berulang. euro. J.Oper. Res. 2012, 221.148–154. [Referensi Silang]

11. Lidia, M.; Kumar, SS; Selvakumar, AI; Kumar, GE Model autoregresif linier dan non-linier untuk perkiraan kecepatan angin jangka pendek. Konversi Energi. Kelola. 2016, 112, 115–124. [Referensi Silang]

12. Ghaderi, A.; Sanandaji, BM; Ghaderi, F. Prakiraan Mendalam: Peramalan Spatio-Temporal Berbasis Pembelajaran Mendalam; Universitas Cornell: Ithaca, NY, AS, 2017.

For more information:1950477648nn@gmail.com