Wind speed and power forecasting using Bayesian optimized machine learning models in Gabal Al-Zayt, Egypt

Nehal Elshaboury; Haytham H. Elmousalami

doi:10.1038/s41598-025-13140-x

학술저널 cc-by Full-text

저자정보: Nehal Elshaboury Haytham H. Elmousalami

출처: Springer Science and Business Media LLC Scientific Reports 15(1)

오류 신고하기

피인용 0

검색

초록·키워드

Accurate wind speed and power forecasts are essential for applications involving renewable wind energy. Ten machine learning techniques, including single and ensemble models, are compared, and evaluated in this study over a range of time scales. The outcomes of the wind speed prediction (WSP) model are used as inputs for the wind power prediction (WPP) model in a wind speed and power integration prediction system. The accuracy of various machine learning models is compared using several evaluation metrics, such as Pearson's correlation coefficient (R), explained variance (EV), mean absolute percentage error (MAPE), mean square error (MSE), and concordance correlation coefficient (CCC). For WSP, the light gradient boosting machine (LGBM), extreme gradient boosting, and bagged decision tree (BDT) algorithms accurately predict wind speed across different time scales, with MAPE, MSE, EV, R, and CCC values ranging from 2.641 to 12.274%, 0.044 to 0.953, 0.888 to 0.994, 0.943 to 0.997, and 0.939 to 0.997, respectively. For WPP, the LGBM and BDT algorithms demonstrate strong predictive performance across different time scales, with MAPE, MSE, EV, R, and CCC values ranging from 0.277 to 186.710%, 0.927 to 9444.576, 0.970 to 1.000, 0.985 to 1.000, and 0.985 to 1.000, respectively.

#Mean absolute percentage error #Wind speed #Gradient boosting #Mean squared error #Pearson product-moment correlation coefficient #Wind power #Correlation coefficient #Machine learning #Boosting (machine learning) #Statistics #Ranging #Artificial intelligence #Computer science #Decision tree #Random forest #Algorithm #Coefficient of determination #Mathematics #Meteorology #Engineering #Physics

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록·키워드

참고문헌

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

본문·목차

DBpia Pick! 추천 자료

함께 본 자료

저자 정보

최근 본 자료 전체보기

댓글(0)