Predicción secuenciada de 24 horas de solar y eólico utilizando componente L-Transform y aprendizaje profundo LSTM en representación de la correlación de patrones espaciales
Autores: Zjavka, Ladislav
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Correlaciones espaciotemporales
Viento-solar
Predicción
Aprendizaje diferencial
Aprendizaje profundo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 7
Citaciones: Sin citaciones
Las correlaciones espaciotemporales entre las entradas meteorológicas y las salidas de energía eólica-solar a una escala regional óptima son cruciales para desarrollar modelos robustos, fiables en horizontes de predicción a medio plazo. Modelar las condiciones fronterizas es vital para el reconocimiento temprano del progreso en los procesos atmosféricos caóticos en el destino de interés. Este enfoque se utiliza en el aprendizaje diferencial y profundo; las técnicas de inteligencia artificial (IA) permiten una representación fiable de patrones en la incertidumbre a largo plazo y las irregularidades regionales. La estimación propuesta, día a día, del potencial de producción de energía renovable (ER) se basa en el procesamiento inicial de datos para detectar los tiempos de inicialización del modelado a partir de bases de datos históricas, considerando la distancia de correlación. El muestreo de datos óptimo es crucial para el entrenamiento de IA en modelado predictivo basado en estadísticas. El aprendizaje diferencial (DfL) es una estrategia recientemente desarrollada e inspirada biológicamente que combina soluciones de derivadas numéricas con neurocomputación. Este enfoque híbrido se basa en la determinación óptima de ecuaciones diferenciales parciales (EDP) compuestas en los nodos de árboles binomiales gradualmente expandidos. Permite modelar sistemas físicos relacionados con el clima altamente inciertos utilizando ER inestables. El objetivo principal es mejorar su auto-evolución y el cálculo resultante en el tiempo de predicción. Representar patrones relevantes por sus factores de similitud en el remuestreo de entrada-salida reduce la ambigüedad en la predicción de ER. La selección de características nodo por nodo y la representación dinámica de EDP de DfL se evalúan junto con el procesamiento recurrente de memoria a corto y largo plazo (LSTM) del aprendizaje profundo (DL), capturando patrones espaciotemporales complejos. Un software ejecutable en C++ paramétrico con registros de metadatos espaciales de un mes está disponible para comparar estrategias de modelado adicionales.
Descripción
Las correlaciones espaciotemporales entre las entradas meteorológicas y las salidas de energía eólica-solar a una escala regional óptima son cruciales para desarrollar modelos robustos, fiables en horizontes de predicción a medio plazo. Modelar las condiciones fronterizas es vital para el reconocimiento temprano del progreso en los procesos atmosféricos caóticos en el destino de interés. Este enfoque se utiliza en el aprendizaje diferencial y profundo; las técnicas de inteligencia artificial (IA) permiten una representación fiable de patrones en la incertidumbre a largo plazo y las irregularidades regionales. La estimación propuesta, día a día, del potencial de producción de energía renovable (ER) se basa en el procesamiento inicial de datos para detectar los tiempos de inicialización del modelado a partir de bases de datos históricas, considerando la distancia de correlación. El muestreo de datos óptimo es crucial para el entrenamiento de IA en modelado predictivo basado en estadísticas. El aprendizaje diferencial (DfL) es una estrategia recientemente desarrollada e inspirada biológicamente que combina soluciones de derivadas numéricas con neurocomputación. Este enfoque híbrido se basa en la determinación óptima de ecuaciones diferenciales parciales (EDP) compuestas en los nodos de árboles binomiales gradualmente expandidos. Permite modelar sistemas físicos relacionados con el clima altamente inciertos utilizando ER inestables. El objetivo principal es mejorar su auto-evolución y el cálculo resultante en el tiempo de predicción. Representar patrones relevantes por sus factores de similitud en el remuestreo de entrada-salida reduce la ambigüedad en la predicción de ER. La selección de características nodo por nodo y la representación dinámica de EDP de DfL se evalúan junto con el procesamiento recurrente de memoria a corto y largo plazo (LSTM) del aprendizaje profundo (DL), capturando patrones espaciotemporales complejos. Un software ejecutable en C++ paramétrico con registros de metadatos espaciales de un mes está disponible para comparar estrategias de modelado adicionales.