Atenção: Todas as denúncias são sigilosas e sua identidade será preservada.
Os campos nome e e-mail são de preenchimento opcional
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | University of Lisbon | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (Unesp) | - |
Autor(es): dc.creator | Nazaré, Gonçalo | - |
Autor(es): dc.creator | Castro, Rui | - |
Autor(es): dc.creator | Gabriel Filho, Luís R.A. [UNESP] | - |
Data de aceite: dc.date.accessioned | 2022-02-22T00:24:02Z | - |
Data de disponibilização: dc.date.available | 2022-02-22T00:24:02Z | - |
Data de envio: dc.date.issued | 2020-12-11 | - |
Data de envio: dc.date.issued | 2020-12-11 | - |
Data de envio: dc.date.issued | 2020-03-01 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1002/we.2460 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/198254 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/198254 | - |
Descrição: dc.description | The increased integration of wind power into the power system implies many challenges to the network operators, mainly due to the hard to predict and variability of wind power generation. Thus, an accurate wind power forecast is imperative for systems operators, aiming at an efficient and economical wind power operation and integration into the power system. This work addresses the issue of forecasting short-term wind speed and wind power for 1 hour ahead, combining artificial neural networks (ANNs) with optimization techniques on real historical wind speed and wind power data. Levenberg-Marquardt (LM) and particle swarm optimization (PSO) are used as training algorithms to update the weights and bias of the ANN applied to wind speed predictions. The forecasting performance produced by the proposed models are compared with each other, as well as with the benchmark persistence model. Test results show higher performance for ANN-LM wind speed forecasting model, outperforming both ANN-PSO and persistence. The application of ANN-LM to wind power forecast revealed also a good performance, with an average improvement of 2.8% in relation to persistence. An innovative analysis of mean absolute percentage error (MAPE) behaviour in time and in typical days is finally offered in the paper. | - |
Descrição: dc.description | Fundação para a Ciência e a Tecnologia | - |
Descrição: dc.description | IST—Instituto Superior Técnico University of Lisbon | - |
Descrição: dc.description | INESC-ID/IST University of Lisbon | - |
Descrição: dc.description | School of Sciences and Engineering São Paulo State University (UNESP) | - |
Descrição: dc.description | School of Sciences and Engineering São Paulo State University (UNESP) | - |
Descrição: dc.description | Fundação para a Ciência e a Tecnologia: UID/CEC/50021/2019 | - |
Formato: dc.format | 810-824 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Wind Energy | - |
???dc.source???: dc.source | Scopus | - |
Palavras-chave: dc.subject | artificial neural network | - |
Palavras-chave: dc.subject | Levenberg-Marquardt | - |
Palavras-chave: dc.subject | particle swarm optimization | - |
Palavras-chave: dc.subject | short-term wind forecast | - |
Título: dc.title | Wind power forecast using neural networks: Tuning with optimization techniques and error analysis | - |
Tipo de arquivo: dc.type | livro digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: