MỘT NGHIÊN CỨU SO SÁNH VỀ CÁC PHƯƠNG PHÁP LỰA CHỌN ĐẶC TRƯNG CHO VẬN TỐC GIÓ | Thu | TNU Journal of Science and Technology

MỘT NGHIÊN CỨU SO SÁNH VỀ CÁC PHƯƠNG PHÁP LỰA CHỌN ĐẶC TRƯNG CHO VẬN TỐC GIÓ

Thông tin bài báo

Ngày nhận bài: 21/01/22                Ngày hoàn thiện: 19/04/22                Ngày đăng: 21/04/22

Các tác giả

1. Nguyễn Thị Hoài Thu Email to author, Trường Đại học Bách khoa Hà Nội
2. Phạm Năng Văn, Trường Đại học Bách khoa Hà Nội
3. Nguyễn Vũ Nhật Nam, Trường Đại học Bách khoa Hà Nội
4. Phạm Hải Minh, Trường Đại học Bách khoa Hà Nội
5. Phan Quốc Bảo, Trường Đại học Bách khoa Hà Nội

Tóm tắt


Dự báo vận tốc gió hay công suất của điện gió đang là vấn đề được quan tâm lớn hiện nay để phục vụ bài toán huy động nguồn của hệ thống điện. Tuy nhiên, việc dự báo vẫn còn gặp khó khăn do có rất nhiều yếu tố ảnh hưởng tới vận tốc gió. Mục đích của bài báo này là sử dụng các phương pháp lựa chọn đặc tính khác nhau để xem xét ảnh hưởng của các yếu tố thời tiết tới vận tốc gió, từ đó cải thiện độ chính xác cho việc dự báo vận tốc hay công suất gió. Các phương pháp được đề cập đến là Pearson’s Correlation, Random Forest và Boruta và được sử dụng trên hai tập dữ liệu thời tiết tại hai thành phố khác nhau. Đầu tiên, chúng tôi sử dụng hàm tự tương quan và hàm tương quan riêng để có thể xem xét tổng quan mối quan hệ giữa vận tốc gió và các trễ của chính nó trong quá khứ. Tiếp theo, các trễ có ảnh hưởng lớn và trễ bậc nhất của các yếu tố thời tiết khác được sử dụng làm đầu vào cho ba phương pháp lựa chọn đặc tính. Cuối cùng, chúng tôi so sánh kết quả giữa các phương pháp với nhau. Kết quả thu được cho thấy tốc độ gió phụ thuộc rất lớn vào chính nó ở các trễ gần nhất.

Từ khóa


Lựa chọn đặc trưng; Vận tốc gió; Phương pháp hệ số Pearson; Thuật toán Random forest; Phương pháp Boruta

Toàn văn:

PDF (English)

Tài liệu tham khảo


[1] T. H. T. Nguyen, T. Nakayama, and M. Ishida, “Optimal capacity design of battery and hydrogen system for the DC grid with photovoltaic power generation based on the rapid estimation of grid dependency,” Int. J. Electr. Power Energy Syst., vol. 89, pp. 27-39, Jul. 2017, doi: 10.1016/j.ijepes.2016.12.012.

[2] Y. Jiang and G. Huang, “Short-term wind speed prediction: Hybrid of ensemble empirical mode decomposition, feature selection and error correction,” Energy Convers. Manag., vol. 144, pp. 340-350, Jul. 2017, doi: 10.1016/j.enconman.2017.04.064.

[3] C. Zhang, H. Wei, J. Zhao, T. Liu, T. Zhu, and K. Zhang, “Short-term wind speed forecasting using empirical mode decomposition and feature selection,” Renew. Energy, vol. 96, pp. 727-737, Oct. 2016, doi: 10.1016/j.renene.2016.05.023.

[4] I. M. Müller, “Feature selection for energy system modeling: Identification of relevant time series information,” Energy AI, vol. 4, p. 100057, Jun. 2021, doi: 10.1016/j.egyai.2021.100057.

[5] T. N. Lal, O. Chapelle, J. Weston, and A. Elisseeff, “Embedded Methods,” in Feature Extraction: Foundations and Applications, I. Guyon, M. Nikravesh, S. Gunn, and L. A. Zadeh, Eds. Berlin, Heidelberg: Springer, 2006, pp. 137-165, doi: 10.1007/978-3-540-35488-8_6.

[6] S. Matharaarachchi, M. Domaratzki, and S. Muthukumarana, “Assessing feature selection method performance with class imbalance data,” Mach. Learn. Appl., p. 100170, Oct. 2021, doi: 10.1016/j.mlwa.2021.100170.

[7] U. Stańczyk, “Feature Evaluation by Filter, Wrapper, and Embedded Approaches,” in Feature Selection for Data and Pattern Recognition, U. Stańczyk and L. C. Jain, Eds. Berlin, Heidelberg: Springer, 2015, pp. 29-44, doi: 10.1007/978-3-662-45620-0_3.

[8] K. P. Senthil and D. Lopez, “Feature Selection used for Wind Speed Forecasting with Data Driven Approaches,” J. Eng. Sci. Technol. Rev., vol. 8, no. 5, pp. 124-127, Oct. 2015, doi: 10.25103/jestr.085.17.

[9] A. Jović, K. Brkić, and N. Bogunović, “A review of feature selection methods with applications,” in 2015 38th International Convention on Information and Communication Technology, Electronics and Microelectronics (MIPRO), May 2015, pp. 1200-1205, doi: 10.1109/MIPRO.2015.7160458.

[10] Y. Saeys, I. Inza, and P. Larranaga, “A review of feature selection techniques in bioinformatics,” Bioinformatics, vol. 23, no. 19, pp. 2507-2517, Oct. 2007, doi: 10.1093/bioinformatics/btm344.

[11] W. Liu and J. Wang, “Recursive elimination-election algorithms for wrapper feature selection,” Appl. Soft Comput., p. 107956, Oct. 2021, doi: 10.1016/j.asoc.2021.107956.

[12] J. Guenther and O. Sawodny, “Feature Selection for Thermal Comfort Modeling based on Constrained LASSO Regression,” IFAC-Pap., vol. 52, no. 15, pp. 400-405, 2019, doi: 10.1016/j.ifacol.2019.11.708.

[13] L. Breiman, “Bagging predictors,” Mach. Learn., vol. 24, no. 2, pp. 123-140, Aug. 1996, doi: 10.1007/BF00058655.

[14] Jerome Friedman Trevor Hastie Robert Tibshirani, The elements of statistical learning: Data Mining, Inference and Prediction, 2nd ed. Springer 2009. [Ebook] Available: https://link.springer.com/book/10.1007/978-0-387-84858-7

[15] L. Breiman and J. H. Friedman, Classification And Regression Trees, Taylor and Francis group, 2017 [Ebook]. Available: https://www.taylorfrancis.com/books/mono/10.1201/9781315139470/classification-regression-trees-leo-breiman-jerome-friedman-richard-olshen-charles-stone. [Accessed Oct. 10, 2021].

[16] W. Kirch, Ed., “Pearson’s Correlation Coefficient,” in Encyclopedia of Public Health, Dordrecht: Springer Netherlands, 2008, pp. 1090-1091, doi: 10.1007/978-1-4020-5614-7_2569.

[17] M. Aria, C. Cuccurullo, and A. Gnasso, “A comparison among interpretative proposals for Random Forests,” Mach. Learn. Appl., vol. 6, p. 100094, Dec. 2021, doi: 10.1016/j.mlwa.2021.100094.

[18] H. Kaneko, “Examining variable selection methods for the predictive performance of regression models and the proportion of selected variables and selected random variables,” Heliyon, vol. 7, no. 6, p. e07356, Jun. 2021, doi: 10.1016/j.heliyon.2021.e07356.

[19] Meteoblue, “Weather History Download Basel”, 2021 [Online]. Available: https://www.meteoblue.com/en/weather/archive/export/basel_switzerland_2661604?daterange=2021-10-06%20-%202021-10-13&domain=NEMSAUTO&min=2021-10-06&max=2021-10-13&utc_offset=2&timeResolution=hourly&temperatureunit=CELSIUS&velocityunit=KILOMETER_PER_HOUR&energyunit=watts&lengthunit=metric&degree_day_type=10%3B30&gddBase=10&gddLimit=30. [Accessed Dec. 27, 2021].

[20] Japan Meteorological Agency, “History weather data in Osaka,” 2021 [Online]. Available: https://www.data.jma.go.jp/obd/stats/etrn/index.php?prec_no=62&block_no=47772&year=2014&month=01&day=01&view=p1 [Accessed Dec. 27, 2021].

[21] L. Breiman, “Random Forest”, Mach. Learn., vol. 45, no. 1, pp. 5-32, 2001, doi: 10.1023/A:1010933404324.




DOI: https://doi.org/10.34238/tnu-jst.5487

Các bài báo tham chiếu

  • Hiện tại không có bài báo tham chiếu
Tạp chí Khoa học và Công nghệ - Đại học Thái Nguyên
Phòng 408, 409 - Tòa nhà Điều hành - Đại học Thái Nguyên
Phường Tân Thịnh - Thành phố Thái Nguyên
Điện thoại: 0208 3840 288 - E-mail: jst@tnu.edu.vn
Phát triển trên nền tảng Open Journal Systems
©2018 All Rights Reserved