Multi-Step Short-Term Wind Speed Prediction with Rank Pooling and Fast Fourier Transformation

要約

タイトル：ランクプーリングと高速フーリエ変換による多段階短期風速予測。

要約：
– 経済的な風力発電には、短期的な風速予測が必要である。
– 実際の風速データは不規則で、浮動するため、浅いモデルには大きな課題がある。
– LR-FFT-RP-MLP / LSTMという新しい深層ハイブリッドモデルを提案する。
– ランクプーリングは、時系列構造をキャプチャし、同時に時系列の順序を維持するために使用される。
– 高速フーリエ変換は、風速データの周期的なパターンを理解するために使用される。
– ハイブリッドモデルは、ローカルとグローバルな入力特徴を同時に処理することができる。
– 提案されたハイブリッドモデルは、2010年から2020年までに収集された実際の風速データを使用して評価され、単一およびハイブリッドモデルと比較して優れた予測能力を示した。
– 風速予測の精度を高めるための有望なアプローチが提案された。

要約(オリジナル)

Short-term wind speed prediction is essential for economical wind power utilization. The real-world wind speed data is typically intermittent and fluctuating, presenting great challenges to existing shallow models. In this paper, we present a novel deep hybrid model for multi-step wind speed prediction, namely LR-FFT-RP-MLP/LSTM (Linear Fast Fourier Transformation Rank Pooling Multiple-Layer Perception/Long Short-Term Memory). Our hybrid model processes the local and global input features simultaneously. We leverage Rank Pooling (RP) for the local feature extraction to capture the temporal structure while maintaining the temporal order. Besides, to understand the wind periodic patterns, we exploit Fast Fourier Transformation (FFT) to extract global features and relevant frequency components in the wind speed data. The resulting local and global features are respectively integrated with the original data and are fed into an MLP/LSTM layer for the initial wind speed predictions. Finally, we leverage a linear regression layer to collaborate these initial predictions to produce the final wind speed prediction. The proposed hybrid model is evaluated using real wind speed data collected from 2010 to 2020, demonstrating superior forecasting capabilities when compared to state-of-the-art single and hybrid models. Overall, this study presents a promising approach for improving the accuracy of wind speed forecasting.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI