Core Concepts
4つの深層再帰ニューラルネットワークモデル(ステートレスLSTM、ステートレスGRU、ステートフルLSTM、ステートフルGRU)を用いて、ミシシッピ州立大学の2つのキャンパス近くの空港サイトの短期的な風速予測を行い、モデルの性能を包括的に分析した。
Abstract
本論文では、風力発電のための最適な立地を特定するために、4つの深層再帰ニューラルネットワークモデルを用いて短期的な風速予測を行った。具体的には、ステートレスLSTM、ステートレスGRU、ステートフルLSTM、ステートフルGRUの4つのモデルを比較分析した。
データは、ミシシッピ州立大学のメリディアンとスタークビルの2つのキャンパス近くの空港サイトから収集した。2022年1月、7月、10月の3ヶ月分のデータを使用し、各月の70%を訓練、30%をテストに使用した。
モデルの評価にはRMSEを使用し、ステートレスLSTMモデルが最も優れた予測性能を示した。一方、ステートフルモデルは必ずしも良い結果を示さなかった。これは、風速がそれほど前の時間の状態に依存しないためと考えられる。
また、7月の予測精度が最も高かったが、これは7月のデータ量が最も多かったためと考えられる。
本研究の結果から、風力発電の立地選定には、ステートレスLSTMモデルが最適であることが示された。今後は、より長期的な予測や、他の地域のデータを用いた検証が必要である。
Stats
風速予測におけるRMSE値は、ステークビルのステートレスLSTMモデルで0.07~0.32、メリディアンのステートレスLSTMモデルで0.06~0.21であった。
ステークビルのステートフルLSTMモデルのRMSE値は1.03~3.09と最も高かった。
メリディアンのステートフルGRUモデルのRMSE値は0.64~0.94であった。
Quotes
"風力は再生可能エネルギーの強力な源であり、非再生資源に代わる電力生産に使用できる。"
"再生可能エネルギー源は、クリーンで無尽蔵であり、電力生産の際に環境に悪影響を及ぼさない。"
"風速と風向の予測は、風力発電所にとって最も重要かつ重要な課題の1つである。"