trswa-bp neural network for dynamic wind power forecasting based on entropy evaluation

شبكة TRSWA-BP العصبية للتنبؤ الديناميكي بطاقة الرياح استنادًا إلى تقييم الإنتروبيا

Clicks: 199
ID: 259111
2018
Free PDF
Article Quality & Performance Metrics
Overall Quality
Not rated
Combines reader engagement with the AI quality analysis. This article has not been analysed, so there is no overall score — reader engagement is measured and shown alongside.
AI Quality Assessment
Not analyzed
Readership in this journal
Steady

Ranked #297 of 406 articles by views in European journal of medicinal chemistry

Most read Least read

Bar heights use a square-root scale. Only the 120 most-read articles are drawn; the journal has 406 in total.

Mint this article as an NFT
Not yet minted

Create a permanent, verifiable on-chain record of this article on the Scimatic Network. The NFT is held in your Journament account, and you can withdraw it to your own wallet at any time.

5 SUSD one-off · no wallet required
Sign in to mint
Abstract
The performance evaluation of wind power forecasting under commercially operating circumstances is critical to a wide range of decision-making situations, yet difficult because of its stochastic nature. This paper firstly introduces a novel TRSWA-BP neural network, of which learning process is based on an efficiency tabu, real-coded, small-world optimization algorithm (TRSWA). In order to deal with the strong volatility and stochastic behavior of the wind power sequence, three forecasting models of the TRSWA-BP are presented, which are combined with EMD (empirical mode decomposition), PSR (phase space reconstruction), and EMD-based PSR. The error sequences of the above methods are then proved to have non-Gaussian properties, and a novel criterion of normalized Renyi’s quadratic entropy (NRQE) is proposed, which can evaluate their dynamic predicted accuracy. Finally, illustrative predictions of the next 1, 4, 6, and 24 h time-scales are examined by historical wind power data, under different evaluations. From the results, we can observe that not only do the proposed models effectively revise the error due to the fluctuation and multi-fractal property of wind power, but also that the NRQE can reserve its feasible assessment upon the stochastic predicted error.
يُعد تقييم أداء التنبؤ بقدرة الرياح في ظل ظروف التشغيل التجاري أمرًا بالغ الأهمية لمجموعة واسعة من حالات اتخاذ القرار، ومع ذلك فإنه يمثل تحديًا معقدًا نظرًا لطبيعته العشوائية. يقدم هذا البحث أولاً شبكة عصبية جديدة من طراز (TRSWA-BP)، تعتمد عملية التعلم فيها على خوارزمية تحسين "العالم الصغير" ذات الترميز الحقيقي وبحث المحظورات الكفء (TRSWA). وللتعامل مع التقلب الشديد والسلوك العشوائي للمتسلسلة الزمنية لطاقة الرياح، عُرضت ثلاثة نماذج تنبؤية لشبكة TRSWA-BP مدمجة مع تحليل النمط التجريبي (EMD)، وإعادة بناء فضاء الطور (PSR)، وإعادة بناء فضاء الطور المعتمدة على EMD. وعلاوة على ذلك، أُثبت أن متسلسلات الخطأ للأساليب المذكورة أعلاه تتسم بخصائص غير غاوسية، واقتُرح معيار جديد يتمثل في إنتروبيا ريني التربيعية المعيارية (NRQE) لتقييم دقة التنبؤ الديناميكية لهذه الأساليب. وأخيرًا، فُحصت تنبؤات توضيحية لنطاقات زمنية تمتد لـ 1 و4 و6 و24 ساعة قادمة بالاعتماد على بيانات طاقة الرياح التاريخية ووفق تقييمات مختلفة. وتُظهر النتائج أن النماذج المقترحة لا تقتصر فقط على معالجة الخطأ الناجم عن التقلب والخاصية الكسيرية المتعددة لطاقة الرياح بفعالية، بل إن معيار NRQE يُحافظ أيضًا على تقييمه العملي لخطأ التنبؤ العشوائي.
Reference Key
wang2018entropytrswa-bp Use this key to autocite in the manuscript while using SciMatic Manuscript Manager or Thesis Manager
Authors Shuangxin Wang, Xin Zhao, Meng Li, Hong Wang
Are you one of these authors? Claim your profile
Journal European journal of medicinal chemistry
Year 2018
DOI
10.3390/e20040283
URL
http://www.mdpi.com/1099-4300/20/4/283
Keywords
empirical mode decomposition (emd) normalized renyi’s quadratic entropy (nrqe)scienceastrophysicsphysics

Citations

No citations found. To add a citation, contact the admin at info@scimatic.org

Comments

No comments yet. Be the first to comment on this article.