Ngày nhận bài: 20-07-2020
Ngày duyệt đăng: 08-09-2020
DOI:
Lượt xem
Download
Cách trích dẫn:
HƯỚNG TIẾP CẬN HỒI QUY MỚI CHO DỰ BÁO TỐC ĐỘ GIÓ
,
Hoàng Thị Thanh Giang
1
Từ khóa
Dữ liệu không - thời gian, dữ liệu số chiều cao, dự báo tốc độ gió
Tóm tắt
Trong bài báo này, chúng tôi giới thiệu một hướng tiếp cận sử dụng hồi quy tuyến tính (Linear Regression - LR) trong hai bước, được gọi là two-step LR, để dự báo cho dữ liệu có cấu trúc không - thời gian (spatio - temporal data). Ở bước đầu tiên tất cả các đặc trưng được chia thành các nhóm con và sử dụng hồi quy tuyến tính cho mỗi nhóm con đặc trưng để có các giá trị hồi quy tương ứng với mỗi nhóm. Bước hai áp dụng hồi quy tuyến tính một lần nữa cho các giá trị hồi quy thu được ở bước một để tạo ra giá trị hồi quy cuối cùng. Cách tiếp cận sử dụng two-step LR có hiệu năng tốt nhất khi dự báo tốc độ gió. Dự báo tốc độ gió hữu ích cho tích hợp năng lượng gió vào lưới điện bởi vì năng lượng gió được sinh bởi tuabin gió, có mối quan hệ mật thiết với tốc độ gió. Sự khó dự đoán trước và thay đổi liên tục của tốc độ gió là một trong những khó khăn căn bản nhất của việc tích hợp này.
Tài liệu tham khảo
Bali V., Kumar A. & Gangwar S. (2019). Deep Learning based Wind Speed Forecasting-A Review. 9thInternational Conference on Cloud Computing, Data Science & Engineering (Confluence). India. pp. 426-431.
Bai Z., Li H. & Pan G. (2019). Central limit theorem for linear spectral statistics of large dimensional separable sample covariance matrices. Bernoulli. 25(3): 1838-1869.
Bickel P.J. & Levina E. (2004). Some theory for Fisher’s linear discriminant function, ‘naive Bayes’, and some alternatives when there are many more variables than observations. Bernoulli. 10(6): 989-1010.
Bickel P.J. & Levina E. (2008). Covariance regularization by thresholding. The Annals of Statistics. 36: 2577-2604.
Cai T. & LiuW. (2011). A direct estimation approach to sparse linear discriminant analysis. Journal of the American Statistical Association. 106(496): 1566-1577.
Cai T. & Zhang L. (2019). High dimensional linear discriminant analysis: optimality, adaptive algorithm and missing data. Journal of the Royal Statistical Society: Series B (Statistical Methodology). 81(4): 675-705.
Genton M.G. (2007). Separable approximation of space-time covariance matrices. Environmetrics. 18: 681-695.
Ghaderi A., Sanandaji B. M. & Ghaderi F. (2017). Deep forecast: Deep learning-based spatio-temporal forecasting. 34thICML Time Series Workshop.Sydney, Australia.
Hastie T., Tibshirani R. & Friedman J. (2009). The Elements of Statistical Learning: DataMining, Inference, and Prediction. Springer Series in Statistics, Springer-Verlag.
Hastie T., Tibshirani R. & Wainwright M. (2015). Statistical Learning with Sparsity: The Lasso and Generalizations. Chapman & Hall/CRC Press.
Huizenga H.M., De Munck J.C., Waldorp L.J. & Grasman R.P.P.P. (2002). Spatiotemporal EEG/MEG source analysis based on a parametric noise covariance model. IEEE Transactions on Biomedical Engineering. 49: 533-539.
Huy N.H., Frenzel S. & Bandt C. (2014). Two-step linear discriminant analysis for classification of eeg data. In M. Spiliopoulou, L. Schmidt-Thieme and R. Janning, editors, Data Analysis, Machine Learning and Knowledge Discovery. Springer, Cham. pp. 41-50.
Lei M., Shiyan L., Chuanwen J., Hongling L. & Yan Z. (2009). A review on the forecasting of wind speed and generated power. Renewable and Sustainable Energy Reviews. 13: 915-920.
Lei L., Bickel P.J., Karoui N.E. (2018). Asymptotics for high dimensional regression M-estimates: fixed design results. Probability Theory and Related Fields. 172 (3-4): 983-1079.
Leiva R. & Roy A. (2014). Classification of Higher-order Data with Separable Covariance and Structured Multiplicative or Additive Mean Models. Communications in Statistics - Theory and Methods. 43(5): 989-1012.
Sanandaji B.M., Tascikaraoglu A., Poolla K. & Varaiya P. (2015). Low dimensional models in spatio-temporal wind speed forecasting. American Control Conference. Chicago, USA. pp. 4485-4490.
Tascikaraoglu A. & Uzunoglu M. (2014). A review of combined approaches for prediction of short-term wind speed and power. Renewable and Sustainable Energy Reviews. 34: 243-254.
Tascikaraoglu A., Sanandaji B. M., Poolla K. & Varaiya P. (2016). Exploiting sparsity of inter-connections in spatio-temporal wind speed forecasting using wavelet transform. Applied Energy. 165 (1): 735-747.
Wu Y.X., Wu Q. B. & Zhu J.Q. (2019). Data-driven wind speed forecasting using deep feature extraction and LSTM. IET Renewable Power Generation. 13(12): 2062-2069.
Yu R., Gao J., Yu M., Lu W., Xu T., Zhao M., Zhang J., Zhang R. & Zhang Z. (2019). LSTM-EFG for wind power forecasting based on sequential correlation features. Future Generation Computer Systems. 93: 33-42.