Techniques avancées pour la prévision de la production d'énergie éolienne : Tirer parti du Perceptron multicouche + optimisation bayésienne, apprentissage par ensemble et modèles CNN-LSTM

En raison de la rareté des combustibles fossiles dans de nombreux pays, les centrales électriques reposant sur les combustibles fossiles seront progressivement éliminées au profit des éoliennes comme principale source de production d'énergie. Ces centrales à combustibles fossiles dévastent le monde naturel, rendant les êtres humains et d'autres formes de vie sensibles à la maladie. Le potentiel de production des éoliennes a été étudié. Par conséquent, des méthodes telles que XGBOOST, Perceptron multicouche avec optimisation bayésienne (MLP + BO), arbre de régression de gradient boosting (GBDT), ensemble (gradient boosting et xgboost), et CNN mémoire à long et court terme (CNN-LSTM) ont été utilisées. Une erreur quadratique moyenne (EQM) de 7,2 en 45 secondes a été obtenue en utilisant la technique d'ensemble, et une EQM de 6,8 en 450 secondes a été obtenue avec la méthode CNN-LSTM. L'énergie éolienne est facilement disponible et simple à acquérir à l'échelle mondiale, indiquant son potentiel en tant que source d'énergie fiable et durable.