利用深度回声状态网络与随机偏微分方程建模高分辨率时空风场
机器学习
2024-12-11 v1 机器学习
摘要
在过去几十年中，清洁可再生能源因全球碳足迹减排努力而受到越来越多的关注。特别是，沙特阿拉伯正逐步将其能源结构从 exclusively 依赖石油转向依赖可再生能源，尤其是风能。为沙特阿拉伯这样幅员辽阔、地理多样且研究不足的国家建模风能，以评估潜在能源产出，是一项挑战，这意味着在空间和时间上都存在高度非线性的动态结构。为解决这一问题，我们提出了一种时空模型，其空间信息首先通过基于能量距离的方法进行降维，然后其动力学行为由一个稀疏且随机的循环神经网络（回声状态网络）提供信息。最后，通过基于非平稳随机偏微分方程的方法重建完整的时空数据。我们的模型能够捕捉精细尺度的风场结构，并对风速和能源产出在电网管理感兴趣的时间尺度上产生更准确的预测，每年可比最接近的竞争模型节省多达一百万美元。
引用
@article{arxiv.2412.07265,
title = {Modeling High-Resolution Spatio-Temporal Wind with Deep Echo State Networks and Stochastic Partial Differential Equations},
author = {Kesen Wang and Minwoo Kim and Stefano Castruccio and Marc G. Genton},
journal= {arXiv preprint arXiv:2412.07265},
year = {2024}
}