Uporaba ponavljajočih se nevronskih mrež dolgotrajnega pomnilnika za napovedovanje hitrosti vetra

Povzetek:

Napovedovanje hitrosti vetra je eden najpomembnejših in najzahtevnejših problemov pri napovedovanju vetrne energije za proizvodnjo električne energije. Dolgi kratkoročni spomin je bil uporabljen kot rešitev za kratkoročni spomin za reševanje problema izginotja ali eksplozije gradientnih informacij med procesom usposabljanja, ki ga doživi ponavljajoča se nevronska mreža (RNN), ko se uporablja za preučevanje časovnih vrst.

Dolgoročni spomin je neločljiv od spomina. Spomin je precej zapleten proces, ki vključuje vse vidike človeških možganov, vključno z občutkom, zaznavanjem, kognicijo, izvajanjem, reakcijo itd. Naš cilj je shraniti informacije, ki jih prejmemo, v dolgoročni spomin za kasnejšo uporabo.

V tem procesu je pomemben model dolgotrajnega kratkoročnega spomina (LTM). LTM se nanaša na našo sposobnost shranjevanja informacij, ki so bile obdelane. To pomeni, da nam LTM pomaga shraniti informacije iz kratkoročnega spomina v možgane. Za spomin pa je končni cilj dolgoročna hramba.

V našem življenju je veliko dejavnikov, ki ustvarjajo dolgoročni spomin, povezanih z osebnimi izkušnjami in dejavnostmi. Na primer, dovolj dolgo izpostavljenost situaciji, poslušanje predavanja ali izboljšanje spominskih sposobnosti lahko poveča spomin.

Model dolgotrajnega kratkoročnega spomina je mogoče preprosto razložiti na naslednji način: Ko se prvič naučimo informacijo, jo lahko shranimo v kratkoročni spomin. Ti podatki bodo shranjeni določen čas, vendar bodo hitro izginili. Če pa se o teh informacijah poglobljeno zamislimo ali jih povežemo s prejšnjimi izkušnjami, se bodo prenesle v dolgoročni spomin.

Zato je ključ do izboljšanja našega dolgoročnega spomina, da ohranjamo naše možgane aktivno, pozitivno in ustvarjalno razmišljanje. Svoje možgane lahko razgibamo z branjem knjig, igranjem interaktivnih iger, raziskovanjem novih stvari in pisanjem dnevnikov. Zlasti tesno združevanje učenja in raziskovanja lahko bolje okrepi spomin.

Skratka, vpliv modela dolgoročnega in kratkoročnega spomina na spomin je ključen. V življenju in študiju moramo biti pozorni na spomin in ga vaditi. Z aktivnim razmišljanjem in vadbo lahko nenehno izboljšujemo sposobnost dolgoročnega spomina ter se lažje in učinkoviteje učimo novih znanj. Vidi se, da moramo izboljšati svoj spomin. Cistanche lahko bistveno izboljša spomin, saj lahko uravnava tudi ravnovesje nevrotransmiterjev, kot je povečanje ravni acetilholina in rastnih faktorjev, ki so zelo pomembni za spomin in učenje. Poleg tega lahko Cistanche izboljša pretok krvi in ​​spodbuja dostavo kisika, kar lahko zagotovi, da možgani dobijo dovolj hranil in energije, s čimer se izboljša vitalnost in vzdržljivost možganov.

Kliknite poznajte dodatke za izboljšanje spomina

V tej študiji je ta problem obravnavan s predlogom modela napovedovanja, ki temelji na dolgotrajnem pomnilniku in globoki nevronski mreži, razviti za napovedovanje vrednosti hitrosti vetra v več časovnih korakih v prihodnosti.

Vremenska zbirka podatkov v Halifaxu v Kanadi je bila uporabljena kot vir za dve seriji hitrosti vetra na uro. Za usposabljanje in testiranje napovednega modela sta bila uporabljena dva različna letna časa, pomlad (marec 2015) in poletje (julij 2015). Rezultati so pokazali, da lahko uporaba predlaganega modela učinkovito izboljša natančnost napovedi hitrosti vetra.

Ključne besede: napovedovanje; dolgoročni kratkoročni spomin; več časovnih vrst; RNN; hitrost vetra.

1. Uvod

Napovedovanje hitrosti vetra je zelo težak izziv v primerjavi z drugimi spremenljivkami atmosfere, in to zaradi njihove kaotične in občasne narave, ki povzroča težave pri vključevanju vetrne energije v omrežje.

Ker je hitrost vetra eden najbolj razvitih in najcenejših zelenih virov energije, je kratkoročno natančno napovedovanje postalo pomembna zadeva in odločilno vpliva na elektroenergetsko omrežje. Za napoved kratkoročne hitrosti vetra so bile uporabljene tako dinamične kot statistične metode ter nekatere hibridne metode, ki združujejo obe metodi.

Izvajanje modelov numerične vremenske napovedi (NWP) z visoko ločljivostjo zahteva razumevanje številnih osnovnih načel, ki jih podpirajo, vključno z asimilacijo podatkov, znanjem o tem, kako oceniti model NWP v prostoru in času ter kako izvesti validacijo in preverjanje napovedi. To je lahko drago v smislu računalniškega časa.

Zanesljive metode in tehnike za napovedovanje hitrosti vetra postajajo vse bolj pomembne za karakterizacijo in napoved vetrnih virov [1]. Glavni namen vsake napovedi je zgraditi, prepoznati, prilagoditi in potrditi modele časovnih vrst.

Napovedovanje časovnih vrst je eden najpomembnejših aplikativnih problemov strojnega učenja in umetne inteligence nasploh, saj bo izboljšanje metod napovedovanja omogočilo natančnejše napovedovanje obnašanja različnih dejavnikov na posameznih področjih. Tradicionalno takšni modeli temeljijo na metodah statistične analize in matematičnega modeliranja, razvitih v šestdesetih in sedemdesetih letih prejšnjega stoletja [2].

Model ARIMA je bil uporabljen za napovedovanje hitrosti vetra z uporabo običajnih mer razmerja napak za natančnost napovedovanja modela [3]. V zadnjem času je globoko učenje v skupnosti strojnega učenja pridobilo veliko popularnost, saj velja za splošen okvir, ki omogoča usposabljanje globokih nevronskih mrež s številnimi skritimi plastmi [4].

Razpoložljivost velikih naborov podatkov v kombinaciji z izboljšavami algoritmov in eksponentno rastjo računalniške moči je pripeljala do neprimerljivega porasta zanimanja za temo strojnega učenja.

Te metode uporabljajo samo zgodovinske podatke, da se naučijo naključnih odvisnosti med preteklostjo in prihodnostjo. Med temi metodami so ponavljajoče se nevronske mreže (RNN), ki so zasnovane za učenje zaporedja podatkov s prečkanjem skritega stanja od enega koraka zaporedja do drugega, skupaj z vhodom, in usmerjanjem naprej in nazaj med vhodi [5] .

Ponavljajoča se nevronska mreža na podlagi dolgotrajnega pomnilnika (LSTM-RNN) je bila uporabljena za napovedovanje vetrne energije 1 do 24 ur naprej [6]. Narejena je bila primerjava med LSTM, ekstremnim učnim strojem (ELM) in SVM. Rezultati so pokazali, da so pristopi globokega učenja učinkovitejši od tradicionalnih metod strojnega učenja pri izboljšanju natančnosti napovedovanja s pomočjo strukture nevronske mreže usmerjene zanke in posebne skrite enote [7]. Študije so pokazale, da bi povezovanje modelov NWP in umetnih nevronskih mrež lahko bilo koristno in zagotovilo večjo natančnost v primerjavi z običajnimi metodami zmanjševanja velikosti modela NWP [8].

Metoda numeričnega napovedovanja vremena (NWP) je ena izmed najbolj uporabljanih metod, ki je zaradi velike količine računanja primerna za dolgoročno in ne za kratkoročno in srednjeročno napoved [9]. Opravljena je bila analiza točnosti napovedi hitrosti vetra ponavljajočih se modelov nevronske mreže, ki so predstavili boljše rezultate v primerjavi z univariatnimi in multivariatnimi modeli ARIMA [10].

Za napoved kratkoročne hitrosti vetra so bili razviti linearni in nelinearni avtoregresivni modeli z in brez zunanjih spremenljivk. Za merjenje točnosti modelov so bile uporabljene tri metrike učinkovitosti, MAE, RMSE in MAPE [11].

Za napovedovanje hitrosti vetra je bila uporabljena metoda LSTM, rezultati pa so bili primerjani s tradicionalno umetno nevronsko mrežo in avtoregresijsko integriranimi modeli drsečega povprečja, predlagana metoda pa se je izkazala za boljše rezultate [12]. Model dolgoročnega spomina (LSTM) je bil narejen za kratkoročno prostorsko-časovno napoved hitrosti vetra za pet lokacij z uporabo dvoletnih podatkov za zgodovinsko hitrost vetra in avtoregresijo.

Cilj modela je bil izboljšati natančnost napovedovanja v krajšem časovnem obdobju. Na primer, z uporabo LSTM za dve ali tri ure lahko napoveste obzorja, ki segajo do petnajst dni, z uporabo modela NWP, ki se običajno posodablja s frekvenco šestih ur [13]. Hitrost usposabljanja RNN-jev za napovedovanje večvariantnih časovnih vrst je običajno relativno počasna, zlasti če se uporabljajo z veliko globino omrežja.

V zadnjem času se daje prednost različnim RNN, imenovanim dolgoročni spomin (LSTM), zaradi njihove vrhunske zmogljivosti med fazo usposabljanja z boljšim reševanjem problemov izginjajočih in eksplozivnih gradientov standardne arhitekture RNN [14,15].

Modeli dolgega kratkoročnega spomina (LSTM) in časovnih konvolucijskih omrežij (TCN) so bili predlagani za napovedovanje lahkega vremena na podlagi podatkov, njihova učinkovitost pa je bila primerjana s klasičnimi pristopi strojnega učenja (standardna regresija (SR), regresija podpornih vektorjev (SVR), naključni gozd ( RF)), pristopi statističnega strojnega učenja (avtoregresivno integrirano drseče povprečje (ARIMA), vektorska avtomatska regresija (VAR) in vektorski model popravka napak (VECM)) in metoda dinamičnega ansambla (Arbitraža strokovnjaka za napovedovanje (AFE)).

Rezultati predlaganega modela dokazujejo njegovo sposobnost napovedovanja učinkovitega in natančnega vremena [16]. Kljub nenehnemu razvoju raziskav algoritma LSTM pri dolgoročnem napovedovanju hitrosti vetra je v večini raziskav še vedno prednost tradicionalni algoritem RNN za napovedovanje.

V prispevku je bil poudarek na uporabi algoritma LSTM na področju napovedovanja hitrosti vetra, za usposabljanje in testiranje pa je bila uporabljena primerjava med učinkovitostjo in natančnostjo napovedovanja algoritma pri različnih časovnih serijah hitrosti vetra.

2. Metodologija in vir podatkov

2.1. Viri podatkov

V tej študiji je bil predlagani model implementiran samo za kratkoročno napovedovanje hitrosti vetra, da bi se izognili visokemu računskemu času za dinamično zmanjševanje z uporabo modelov NWP, kot je model za raziskave in napovedovanje vremena (WRF). Podatki o hitrosti vetra iz postaje Halifax Dockyard v Novi Škotski, ki se nahaja na zemljepisni širini 44,66◦ S, zemljepisni dolžini 63,58◦ Z.

Hitrost vetra je bila izmerjena na višini 3,80 m in je bila uporabljena kot vir za dva različna letna časa, pomlad (marec 2015) in poletje (julij 2015), kot je prikazano na sliki 1.

Za obe sezoni so bili podatki zabeleženi vsako uro (576 odčitkov/24 dni) kot opazovanja oziroma (168 odčitkov/7 dni) kot skupine za usposabljanje in testiranje. Predlagana izvedba LSTM se dobro ujema z naborom podatkov o časovni vrsti, ki lahko izboljša natančnost konvergence procesa usposabljanja.

2.2. Ponavljajoče se nevronske mreže

Ponavljajoče se nevronske mreže (RNN) so nevronske mreže z zaporednimi podatki, katerih namen je napovedati naslednji korak v zaporedju opazovanj glede na prejšnje korake v istem zaporedju.

RNN vsebujejo skrite plasti, porazdeljene skozi čas, kar jim omogoča shranjevanje informacij, pridobljenih v prejšnjih fazah branja serijskih podatkov. Hitrost vetra je odvisna kratkoročno in dolgoročno.

Preprost model RNN ne more obravnavati dolgoročnih časovnih odvisnosti. Ena težava, ki izhaja iz odvijanja RNN, je, da gradient nekaterih uteži postane premajhen ali prevelik, če se omrežje odvija preveč časovnih korakov.

Ta pojav se imenuje problem izginjajočih gradientov in lahko shrani kratkoročni spomin samo zato, ker vključuje samo funkcije aktiviranja skrite plasti prejšnjega časovnega koraka, kar povzroči dolgoročno izgubo informacij [17,18].

Vrsta omrežne arhitekture, ki rešuje ta problem, je LSTM. V tipični izvedbi je skriti sloj nadomeščen s kompleksnim blokom računalniških enot, sestavljenih iz vrat, ki ujamejo napako v bloku in tvorijo tako imenovani "vrtiljak napak" [5]. Slika 2 prikazuje strukturo RNN, kjer se izhod predhodno skrite plasti vnese v trenutno skrito plast. Model RNN je izražen z

2.2. Ponavljajoče se nevronske mreže

Ponavljajoče se nevronske mreže (RNN) so nevronske mreže z zaporednimi podatki, katerih namen je napovedati naslednji korak v zaporedju opazovanj glede na prejšnje korake v istem zaporedju. RNN vsebujejo skrite plasti, porazdeljene skozi čas, kar jim omogoča shranjevanje informacij, pridobljenih v prejšnjih fazah branja serijskih podatkov. Hitrost vetra je odvisna kratkoročno in dolgoročno.

Preprost model RNN ne more obravnavati dolgoročnih časovnih odvisnosti. Ena težava, ki izhaja iz odvijanja RNN, je, da gradient nekaterih uteži postane premajhen ali prevelik, če se omrežje odvija preveč časovnih korakov. Ta pojav se imenuje problem izginjajočih gradientov in lahko shrani kratkoročni spomin samo zato, ker vključuje samo funkcije aktiviranja skrite plasti prejšnjega časovnega koraka, kar povzroči dolgoročno izgubo informacij [17,18].

Vrsta omrežne arhitekture, ki rešuje ta problem, je LSTM. V tipični izvedbi je skriti sloj nadomeščen s kompleksnim blokom računalniških enot, sestavljenih iz vrat, ki ujamejo napako v bloku in tvorijo tako imenovani "vrtiljak napak" [5]. Slika 2 prikazuje strukturo RNN, kjer se izhod predhodno skrite plasti vnese v trenutno skrito plast.

Model RNN je izražen s tem, kje je vhod, h je vrednost stanja skrite plasti, je vrednotena na izhodni plasti v času t, zakaj je utež iz vhodne plasti, zakaj je utež za zakasnjeni izhod v času t − 1 je tanh hiperbolični tangens kot aktivacijska funkcija na skritem sloju, σ pa je sigmoidna funkcija kot aktivacijska funkcija na izhodnem sloju.

2.3. Dolgotrajni kratkoročni spomin

Mreže dolgega kratkoročnega spomina so vrsta ponavljajoče se nevronske mreže (RNN), zasnovane za izogibanje problemu dolgoročne odvisnosti, kjer vsak nevron vsebuje spominsko celico, ki je sposobna shraniti prejšnje informacije, ki jih uporablja RNN, ali jih po potrebi pozabi [19]. . Trenutno se pogosto in uspešno uporablja pri problemih napovedovanja časovnih vrst.

LSTM-RNN je bil zasnovan iz pomnilniške celice, ki shranjuje dolgoročne odvisnosti. Poleg pomnilniške celice celica LSTM vsebuje vhodna vrata, izhodna vrata in pozabitvena vrata.

Vsaka vrata v celici prejmejo trenutni vhod tx, skrito stanje ht−1 v prejšnjem trenutku in informacije o stanju Ct−1 notranjega pomnilnika celice za izvajanje različnih operacij in določanje, ali naj se aktivira z uporabo logične funkcije. Stanje ht enote, izhod v času t in vhodno skrito stanje v času t1 so določeni z nelinearno aktiviranjem tanh ( ) in informacijami izhodnih vrat.

3. Rezultati in razprava

V tej študiji je bila programska oprema MATLAB (R2019b) uporabljena za proces usposabljanja LSTM, ki je napredna arhitektura za RNN za napovedovanje vrednosti prihodnjih časovnih korakov zaporedja. Mreža zaporedne regresije je bila naučena na zaporedje LSTM, kjer so odzivi učna zaporedja s spreminjajočimi se vrednostmi v enem časovnem koraku.

To pomeni, da se za vsak časovni korak vhodnega zaporedja omrežje LSTM nauči predvideti vrednost naslednjega časovnega koraka. V tem delu, da bi celovito in sistematično ocenili učinkovitost in uporabnost predlaganega modela, sta bili izbrani dve seriji podatkov za hitrost vetra za dve različni sezoni zaradi njunih različnih podnebnih značilnosti, ki sta pomlad (marec 2015) in poletje (julij 2015). ).

Vsaka serija podatkov je bila razdeljena na 1–576 (24 dni) kot opazovanja oziroma 577–744 (7 dni) kot skupine za usposabljanje in testne skupine. Podatki o vadbi so bili standardizirani tako, da imajo ničelno povprečje in enotno varianco v času napovedi, da se prepreči razhajanje pri vadbi. Najboljši parameter usposabljanja za pridobitev najnižjega RMSE se ugotovi z uporabo začetne stopnje učenja 0,005.

Sliki 4 in 5 prikazujeta primerjavo opazovanih vrednosti s predvidenimi vrednostmi nizov urnih hitrosti vetra, zbranih spomladi (1.–31. marec 2015) oziroma poleti (1.–31. julij 2015), za vrednotenje LSTM, ki je bil enkrat usposobljen ( vrednost prejšnje napovedi) in se ponovno uporabi za napovedovanje vsakega časovnega koraka med napovedmi, ki ga predstavljajo enačbe (2)–(4). To pomeni, da se posodobitve ne izvedejo, ko se model prvič ujema s podatki o usposabljanju, model pa se v tem primeru imenuje fiksni model, ker ni nobenih posodobitev.

Možnosti mrežnega usposabljanja LSTM so bile izbrane za 200 skritih modulov. Začetna stopnja učenja je 0,005, največje število iteracij pa je določeno na 250. Prag gradienta je nastavljen na 1, da prepreči eksplozijo gradientov. Stopnja učenja se zmanjša po 125 epohah z množenjem s faktorjem 0,2. Na obeh slikah 6 in 7 je bil LSTM posodobljen z novimi podatki za napovedovanje časovnih vrst z uporabo predvidenih vrednosti in posodobljenih vrednosti stanja iz testnega niza in na voljo model za napoved v naslednjem časovnem koraku Posebej je spremenjeni LSTM sprejel Ct−1 za vhodna, pozabljena in izhodna vrata.

To je zato, ker vsakič, ko se LSTM nadaljuje, Ct-1 vpliva na vhod, pozabo in izhod LSTM. Vse napovedi so zbrane v naboru testnih podatkov in izračunana je ocena napake, da se povzame spretnost modela. Koren srednje kvadratne napake (RMSE) se uporablja, ker kaznuje velike napake in ima za posledico rezultat v istih enotah kot napovedani podatki, to je hitrost vetra na uro.

Tu so napovedi natančnejše, če posodobite stanje omrežja z opazovanimi vrednostmi namesto s predvidenimi vrednostmi. Iz rezultatov je razvidno, da je v obeh serijah pomlad (marec 2015) in poletje (julij 2015) vrednost RMSE pri uporabi posodobitve LSTM padla za 4,5845 oziroma 4,9392, kar je posledica različnih značilnosti vsakega.

V tem delu in na podlagi različnih predhodnih študij glede na različne modele je ugotovljeno, da se natančnost modelov napovedovanja razlikuje glede na različne značilnosti informacij, zato do zdaj ni bil dosežen noben model, ki bi deloval z enako natančnostjo z različnimi informacijami. . Tabela 1 prikazuje napake za dve seriji podatkov (julij 2015) in (marec 2015) v predlaganem modelu LSTM z uporabo metrike napak RMSE.

4. Sklepi

Natančen model napovedovanja virov hitrosti vetra je potreben za zagotavljanje bistvenih informacij za opolnomočenje operaterjev omrežij in oblikovalcev sistemov pri ustvarjanju optimalne vetrne elektrarne ter za uravnoteženje ponudbe in povpraševanja na energetskem trgu.

V tej študiji je bil predlagan spremenjeni dolgoročni kratkoročni spomin (LSTM) za napovedovanje hitrosti vetra. Ker je mogoče dostopati do dejanske vrednosti časovnih korakov med napovedmi, je hitrost vetra predvidena s posodobitvijo stanja omrežja v vsaki napovedi z uporabo opazovane vrednosti namesto vrat.

To je zato, ker vsakič, ko se LSTM nadaljuje, stanje celice vpliva na vnos, pozabo in izhod LSTM. Rezultati modela so pokazali izboljšano natančnost pri napovedovanju hitrosti vetra.

Avtorski prispevki: Konceptualizacija, ME; metodologija, ME; programska oprema, ME; validacija, ME; formalna analiza, ME in AM; pisanje-Priprava izvirnega osnutka, ME; pisanje-Recenzija in urejanje, AM; nadzor, AM; projektna uprava, AM Vsi avtorji so prebrali in se strinjajo z objavljeno različico rokopisa.

Financiranje: To raziskavo je delno financiralo libijsko ministrstvo za izobraževanje, številka donacije 3772.

Izjava institucionalnega nadzornega odbora: Ni primerno.

Izjava o informiranem soglasju: Ni primerno.

Izjava o razpoložljivosti podatkov: Ni uporabno.

Nasprotje interesov: Avtorji izjavljajo, da ni navzkrižja interesov.

Reference

1. Monfared, M.; Rastegar, H.; Kojabadi, HM Nova strategija za napovedovanje hitrosti vetra z uporabo umetnih inteligentnih metod. Obnovi.Energija 2009, 34, 845–848. [CrossRef]

2. Box, GE; Jenkins, GM; Reinsel, GC; Ljung, GM Analiza časovnih vrst: Napovedovanje in nadzor, 5. izdaja; John Wiley & Sons: Hoboken, NJ, ZDA, 2015; strani 129–171.

3. Elsaraiti, M.; Merabet, A.; Al-Durra, A. Analiza časovnih vrst in napovedovanje podatkov o hitrosti vetra. V zborniku letnega srečanja IEEEIIndustry Applications Society, Baltimore, MD, ZDA, 29. september–3. oktober 2019; str. 1–5.

4. Yadav, AP; Kumar, A.; Behera, L. Napovedovanje sončnega sevanja na podlagi RNN z uporabo prilagodljive stopnje učenja. Na mednarodni konferenci o roju, evolucijskem in memetičnem računalništvu; Springer: Cham, Švica, 2013; str. 442–452.

5. Hochreiter, S.; Schmidhuber, J. Dolgi kratkoročni spomin. Nevronsko računalništvo. 1997, 9, 1735–1780. [CrossRef] [PubMed]

6. Kumar, D.; Mathur, HD; Bhanot, S.; Bansal, RC Napovedovanje sončne in vetrne energije z uporabo LSTM RNN za nadzor frekvence obremenitve v izoliranem mikromrežju. Int. J. Model. Simul. 2020. [CrossRef]

7. Ši, X.; Lei, X.; Huang, Q.; Huang, S.; Ren, K.; Hu, Y. Urna napoved vetrne moči za dan vnaprej z uporabo hibridnega modela razgradnje variacijskega modela in dolgega kratkoročnega spomina. Energije 2018, 11, 3227. [CrossRef]

8. Rodrigues, ER; Oliveira, I.; Cunha, R.; Netto, M. DeepDownscale: Strategija poglobljenega učenja za visokoločljivo vremensko napoved. V zborniku 2018 14. mednarodne konference IEEE o e-znanosti (e-Science), Amsterdam, Nizozemska, 29. oktober–1. november 2018; IEEE: New York, NY, ZDA, 2018; str. 415–422.

9. Chen, N.; Qian, Z.; Nabney, IT; Meng, X. Napovedi vetrne energije z uporabo Gaussovih procesov in numerične vremenske napovedi. IEEE Trans. Power System 2013, 29, 656–665. [CrossRef]

10. Cao, Q.; Ewing, BT; Thompson, MA Napovedovanje hitrosti vetra s ponavljajočimi se nevronskimi mrežami. Eur. J. Oper. Res. 2012, 221,148–154. [CrossRef]

11. Lidija, M.; Kumar, SS; Selvakumar, AI; Kumar, GE Linearni in nelinearni avtoregresivni modeli za kratkoročno napovedovanje hitrosti vetra. Pretvorbe energije Upravitelj 2016, 112, 115–124. [CrossRef]

12. Ghaderi, A.; Sanandaji, BM; Ghaderi, F. Globoka napoved: prostorsko-časovno napovedovanje na podlagi globokega učenja; Univerza Cornell: Ithaca, NY, ZDA, 2017.

For more information:1950477648nn@gmail.com