Czasopismo | PRZEGLĄD ELEKTROTECHNICZNY | Rocznik 2024 - zeszyt 9

Deep Learning Neural Network for Chaotic Wind Speed Time Series Prediction

Głęboka sieć neuronowa do przewidywania chaotycznych szeregów czasowych prędkości wiatru

10.15199/48.2024.09.18

nr katalogowy: 150357
10.15199/48.2024.09.18

Streszczenie

Accurate wind speed forecasting is essential for wind energy systems, but it’s difficult due to the wind's uncertainty. In this study, short time wind speed prediction is done on the basis of phase space reconstruction and using neural network techniques. The BASEL (Switzerland) site wind speed data is collected. Firstly, the chaotic nature of the time series is ascertained to verify its short time predictability. Then training data is created by using the phase space reconstruction technique, i.e., using knowledge of embedding delay and embedding dimension. Using this data, two models of Artificial neural networks, i.e., Feedforward neural network (FFNN) and Convolution Neural Network (CNN) are trained to predict wind speed. The wind speed time series is categorized into seasons, respectively JUN-AUG (summer), SEP-NOV (autumn), DEC-FEB (winter), and MAR-MAY (spring), for both locations. Training accuracy of each model is compared on the basis of Mean Squared Error (MSE), Mean Absolute Error (MAE), Root Mean Squared Error (RMSE) & Symmetric Mean Absolute Percentage Error (SMAPE) metrics. Simulation results show the superiority of CNN over FFNN for the prediction of wind speed.

Abstract

Dokładne prognozowanie prędkości wiatru jest niezbędne dla systemów energetyki wiatrowej, ale jest trudne ze względu na niepewność wiatru. W tym badaniu krótkoterminowe prognozowanie prędkości wiatru odbywa się na podstawie rekonstrukcji przestrzeni fazowej i przy użyciu technik sieci neuronowych. Gromadzone są dane dotyczące prędkości wiatru w BAZYLEI (Szwajcaria). Najpierw ustala się chaotyczną naturę szeregu czasowego, aby zweryfikować jego krótkoterminową przewidywalność. Następnie tworzone są dane treningowe przy użyciu techniki rekonstrukcji przestrzeni fazowej, tj. wykorzystując wiedzę na temat opóźnienia osadzania i wymiaru osadzania. Przy użyciu tych danych trenowane są dwa modele sztucznych sieci neuronowych, tj. sieć neuronowa Feedforward (FFNN) i sieć neuronowa splotowa (CNN), aby przewidywać prędkość wiatru. Szeregi czasowe prędkości wiatru są kategoryzowane według pór roku, odpowiednio JUN-AUG (lato), SEP-NOV (jesień), DEC FEB (zima) i MAR-MAY (wiosna), dla obu lokalizacji. Dokładność treningu każdego modelu jest porównywana na podstawie metryk średniego błędu kwadratowego (MSE), średniego błędu bezwzględnego (MAE), pierwiastka średniego błędu kwadratowego (RMSE) i symetrycznego średniego błędu procentowego bezwzględnego (SMAPE). Wyniki symulacji pokazują wyższość CNN nad FFNN w przewidywaniu prędkości wiatru.

Słowa kluczowe

Keywords

Bibliografia

[1] S. Saini and M. Ahuja, A Research on wind power forecasting techniques, Int. Journal of Recent Technology and Engineering (IJRTE), 8 (2019), 578-580.
[2] V. MANUSOV, A. KIRGIZOV, et.al., Stochastic Method for Predicting the Output of Electrical Energy Received from a Solar Panel, PRZEGLĄD ELEKTROTECHNICZNY, 2 (2024), 118-122.
[3] A. K. KUMAR, T. A. ASSEGIE, et.al., Feature Contribution to an In-Depth Understanding of the Machine Learning Model Interpretation, PRZEGLĄD ELEKTROTECHNICZNY 2 (2024), 145-148.
[4] L. Landberg, A Mathematical Look at a Physical Power Prediction Model, Wind Energy: An International Journal for Progress and Applications in Wind Power Conversion Technology, 1 (1988), no. 1, 23-28.
[5] Erdem and J. Shi, ARMA based approaches for forecasting the tuple of wind speed and direction, Applied Energy, 88 (2011), no. 4, 1405–1414.
[6] R. Le Goff. Latimier, E. Le Bouedec, and V. Monbet, Markov switching autoregressive modeling of wind power forecast errors, Electric Power Systems Research, 189 (2020), 1-7.
[7] Minaxi and S. Saini, Frequency Control using Different Optimization Techniques of a Standalone PV-Wind-Diesel with BESS Hybrid System, IEEJ Trans. Power Energy, 143 (2023), no. 4, pp. 218–225,
[8] M. Narayana, G. Putrus, M. Jovanovic, and P. Sing Leung, Predictive control of wind turbines by considering wind speed forecasting techniques, In proceeding of IEEE International Universities Power Engineering Conference (UPEC) Glasgow UK, (2009), 1-4.
[9] Y. Zhang, Y. Zhao, et.al., A comprehensive wind speed prediction system based on Monte Carlo and artificial intelligence algorithms, Applied Energy, 305 (2022), 1-19.
[10] E. Cadenas and W. Rivera, Wind speed forecasting in three different regions of Mexico, using a hybrid ARIMA-ANN model, Renewable Energy, 35 (2010), no. 12, 2732–2738.
[11] M. I. Pousinho, V. M. F. Mendes, and J. P. S. Catalão, A hybrid pso-anfis approach for short-term wind power prediction in Portugal, in Energy Conversion and Management, 52 (2011), no. 1, 397–402.
[12] J. P. S. Catalão, H. M. I. Pousinho, and V. M. F. Mendes, Short-term wind power forecasting in Portugal by neural networks and wavelet transform, Renewable Energy, 36 (2011), no. 4, 1245–1251.
[13] S. Saini and M. Ahuja, Wind Speed Prediction Using Wavelet transform and Artificial Neural Network, IJRECE, 5 (2017), no. 4, 161-168.
[14] S. Saini and M. Ahuja, Wind speed prediction using wavelet transform and GA trained Artificial Neural Network, Journal of Advanced Research in Dynamical and Control Systems, (2019), 198-204.
[15] F. Lide, Q. Zeng, Y. Faraj, N. Z. Zihui Wei, and X. Li., Analysis of chaos characteristics of gas-liquid two-phase flow noise, Flow Measurement and Instrumentation, 65 (2019), 98-109.
[16] R. Bhukya, and K. Bingi., Chaotic time series forecasting approaches using machine learning techniques: A review Symmetry, MDPI, 14 (2022), no. 5, 1-43.
[17] Z. Tian, Chaotic characteristics analysis of short-term wind speed time series with different time scales, Energy Sources, 44 (2022), no. 1, 2448-2463.
[18] S. Alishba, M. S. Ibrahim, M. Usman, M. Zubair, and S. Khan., Chaotic Time Series Prediction using Spatio-Temporal RBF Neural Networks”, In proceeding of International Conference on Emerging Trends in Engineering, Sciences and Technology (ICEEST), (2018), 1-5.
[19] C. Wang, H. Zhang, W. Fan, and X. Fan, A new wind power prediction method based on chaotic theory and Bernstein Neural Network, Energy, 117 (2016), 259–271.
[20] Z. Lina, H. Shi, M. Ding, T. Gao, and Z. Jiang, Wind power prediction based on the chaos theory and the GABP neural network, In proceeding of IEEE Innovative Smart Grid Technologies-Asia (ISGT), (2019), 4221-4224.
[21] Wang, J., & Li, Z., Wind speed interval prediction based on multidimensional time series of Convolutional Neural Networks. Engineering Applications of Artificial Intelligence, 121 (2023), 105987.
[22] Duan, J., Chang, M., Chen, X., Wang, W., Zuo, H., Bai, Y., & Chen, B., A combined short-term wind speed forecasting model based on CNN–RNN and linear regression optimization considering error, Renewable Energy, 200 (2022), 788-808.
[23] Z. Tian., chaotic characteristics analysis of short-term wind speed time series with different time scales, Energy Source, 44 (2022), 2448-2463.
[24] M. T. Rosenstein, J. J. Collins and C. J. De Luca, A practical method for calculating largest Lyapunov exponents from small data sets, Physica D, Vol. 65 (1993), 117-134.
[25] T. James., Efficient algorithm for estimating the correlation dimension from a set of discrete points, American Physical Society, Physical Review, 36 (1987), no. 9, 44-56.
[26] Z. Anguo, and Z. Xu., Chaotic time series prediction using phase space reconstruction based conceptor network, Cognitive Neuro dynamics, 14 (2020), no. 6, 849-857.
[27] https://www.meteoblue.com/en/weather/archive/export?dateran ge=2022-01-01%20-%202023-10 5&locations%5B%5D=basel_switzerland.

Jeśli masz wykupiony/przyznany dostęp - zaloguj się. Skorzystaj z naszych propozycji zakupu!

Publikacja


PRZEGLĄD ELEKTROTECHNICZNY- e-publikacja (pdf) z zeszytu 2024-9 , nr katalogowy 150357 licencja: Osobista Produkt cyfrowy Nowość	10.00 zł

Zeszyt


PRZEGLĄD ELEKTROTECHNICZNY- e-zeszyt (pdf) 2024-9 licencja: Osobista Produkt cyfrowy Nowość	85.00 zł

Prenumerata

PRZEGLĄD ELEKTROTECHNICZNY - prenumerata cyfrowa
licencja: Osobista

Produkt cyfrowy
Nowość

762.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - PAKIET prenumerata PLUS (Prenumerata papierowa + dostęp do portalu sigma-not.pl + e-prenumerata)	1002.00 zł brutto 927.78 zł netto 74.22 zł VAT (stawka VAT 8%)

1002.00 zł

PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna + wysyłka
licencja: Osobista

Szczegóły pakietu

Nazwa
PRZEGLĄD ELEKTROTECHNICZNY - papierowa prenumerata roczna	960.00 zł brutto 888.89 zł netto 71.11 zł VAT (stawka VAT 8%)
PRZEGLĄD ELEKTROTECHNICZNY - pakowanie i wysyłka	42.00 zł brutto 34.15 zł netto 7.85 zł VAT (stawka VAT 23%)

1002.00 zł

Zeszyt

2024-9

Twój Koszyk

Publikacja

Zeszyt

Prenumerata

Zeszyt

Czasopisma