Tytuł pozycji:
Deep learning neural network for chaotic wind speed time series prediction
Accurate wind speed forecasting is essential for wind energy systems, but it’s difficult due to the wind's uncertainty. In this study, shorttime 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.
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), DECFEB (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.
Opracowanie rekordu ze środków MNiSW, umowa nr POPUL/SP/0154/2024/02 w ramach programu "Społeczna odpowiedzialność nauki II" - moduł: Popularyzacja nauki i promocja sportu (2025).
