Resumen

La energía eólica es una fuente de energía renovable con gran potencial de desarrollo, y una predicción fiable y precisa de la velocidad del viento es la base para la utilización eficaz de la energía eólica. Con el objetivo de optimizar los hiperparámetros en un método de previsión combinado, se propone un modelo de predicción de la velocidad del viento basado en la red neuronal de memoria a corto plazo (LSTM) optimizada por el algoritmo de fuegos artificiales (FWA). Centrándose en el cambio repentino en tiempo real y en la dependencia de los datos de la velocidad del viento, se establece un modelo de predicción de la velocidad del viento basado en la LSTM, y se utiliza el FWA para optimizar los hiperparámetros del modelo de forma que éste pueda establecer los parámetros de forma adaptativa. A continuación, el modelo optimizado se compara con la predicción de la velocidad del viento basada en otras arquitecturas neuronales profundas y modelos de regresión en experimentos, y los resultados muestran que el modelo de velocidad del viento basado en LSTM mejorado por FWA reduce el error de predicción en comparación con otros métodos de regresión basados en la predicción de la velocidad del viento y obtiene una mayor precisión de predicción que otras arquitecturas neuronales profundas.

• Materias:Análisis de suelos Hormigón Construcciones de hormigón Asfalto
• Subjects:Soil testing Concrete Concrete construction Asphalt
• Palabras claves:predicción de la velocidad del viento, arquitectura neuronal profunda, energía eólica, gran potencial de desarrollo, fwa, fuente de energía renovable, utilización del viento, mayor precisión de predicción, modelo de velocidad del viento, modelo de predicción de la velocidad
• Keywords:wind speed prediction, deep neural architecture, wind energy, great development potential, fwa, renewable energy source, utilization of wind, higher prediction accuracy, wind speed model, speed prediction model