.png){kind=icon}
返回
Forecasting the wind energy using hybrid deep learning model
.png){kind=icon}
PRE
AI
DOI：10.1007/s12530-025-09756-z.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
加速的人口增长和持续的技术进步已显著加剧了全球对电能的需求。这一增长促使能源来源向可再生能源转变。风能尤其提供了一种环境友好的解决方案。然而，受季节和地理因素影响，这种能源因其自然波动性和非平稳特性而带来挑战。准确的中短期预测对于保障电网可靠性和能源规划至关重要。本研究提出了一种融合CNN、LSTM和GRU模型的混合深度学习模型，并通过人工蜂群算法（ABC）、粒子群优化算法（PSO）和遗传算法（GA）等元启发式算法进行优化。该模型旨在通过有效捕捉风能数据的时空特征来提高预测精度。为此，经ABC算法优化的CNN-LSTM模型相较于其他优化方法表现出更优性能，其R²值为0.989。这些发现不仅提高了预测精度，还通过允许在区域层面估算风能发电量，为投资者在战略规划中提供指导。本研究采用了一种支持有效利用风能潜力的混合方法，为相关文献做出了重要贡献。
Keyword:
Wind power plant
CNN
LSTM
Artificial bee colony
Forecasting
期刊
IF:
2.7
论文数:
240
被引数:
1.2K
机构
引用论文
.png){kind=icon}
How wind-based renewable energy contribute to CO2 emissions abatement? Evidence from Quantile-on-Quantile estimation风能可再生能源如何促进二氧化碳减排？来自分位数对分位数估计的证据
PREAI
分享收藏
Ultra-short-term wind power prediction model based on fixed scale dual mode decomposition and deep learning networks基于固定尺度双模态分解和深度学习网络的超短期风电预测模型
PREAI
分享收藏
查看更多内容