Langzeit: Neuronales Netz: Difference between revisions
(Created page with "{{#ifeq: {{PAGENAME}}|Langzeit: Neuronales Netz|{{Hauptlink}}}}<br><br> Ist die Methode '''Neuronales Netz''' ausgewählt, öffnet der Knopf {{Knopf|Bearbeiten}} ds folgende...") |
No edit summary |
||
| (4 intermediate revisions by the same user not shown) | |||
| Line 1: | Line 1: | ||
{{#ifeq: {{PAGENAME}}|Langzeit: Neuronales Netz|{{Hauptlink}}}}<br><br> | {{#ifeq: {{PAGENAME}}|Langzeit: Neuronales Netz|{{Hauptlink}}}}<br><br> | ||
Im Referenzdokument [http://help.emd.dk/knowledgebase/content/ReferenceManual/MCP.pdf MCP - Measure-Correlate-Predict - An Introduction to the MCP Facilities in WindPRO, Kapitel 6] wird die Methode hinter der Neuronales-Netz-MCP erläutert. Die folgende Seite geht auf die Eingabeoptionen der Implementierung in windPRO ein. | |||
{{Fundort|MCP-Modul → Session öffnen → Register [[MCP: Modelle LZ| Modelle LZ]] → {{Knopf|Bearbeiten}} neben Zeile '''Neuronales Netz'''}} | |||
Die Methode verwendet ein [https://de.wikipedia.org/wiki/K%C3%BCnstliches_neuronales_Netz Künstliches Neuronales Netz (KNN)], um die Beziehung zwischen Langzeit-Referenz und Standortmessung herzustellen. Die Langzeit-Referenz im Abgleichszeitraum bildet dabei den Ausgangsdatensatz und die Standortmessung gibt das Feedback, das dazu verwendet wird, das Neuronale Netz zu trainieren. Zu den Eingangsdaten des Neuronalen Netzes gehören immer Windgeschwindigkeit und Windrichtung, fakultativ Tagesstunde und Monat (s.u.). Die Ausgangsschicht enthält Windgeschwindigkeit und Windrichtung. | |||
{{Fundort|MCP-Modul → Session öffnen → Register [[MCP: Modelle LZ| Modelle LZ]] → {{Knopf|Modell hinzuf: Neuronales Netz}} → {{Knopf|Bearbeiten}} neben Zeile '''Neuronales Netz'''}} | |||
[[File:DE_MCP2_(20).PNG|700px]] | [[File:DE_MCP2_(20).PNG|700px]] | ||
| Line 13: | Line 20: | ||
'''Jahresgang''': Wenn aktiviert, fließt der Monat als Bestandteil eines Samples in den Lernprozess ein. In Fällen, in denen das Verhältnis zwischen Standort und Referenz im Jahresgang fluktuiert, führt dies oft zu einer besseren Nachbildung des Jahresgangs. Vorsicht ist geboten, wenn mit weniger als einem vollen Jahr Messdaten gearbeitet wird, da dann das Neuronale Netz in den fehlenden Monaten mit einer Situation konfrontiert wird, mit der kein Training möglich war. | '''Jahresgang''': Wenn aktiviert, fließt der Monat als Bestandteil eines Samples in den Lernprozess ein. In Fällen, in denen das Verhältnis zwischen Standort und Referenz im Jahresgang fluktuiert, führt dies oft zu einer besseren Nachbildung des Jahresgangs. Vorsicht ist geboten, wenn mit weniger als einem vollen Jahr Messdaten gearbeitet wird, da dann das Neuronale Netz in den fehlenden Monaten mit einer Situation konfrontiert wird, mit der kein Training möglich war. | ||
'''Windgeschwindigkeits-Residuen hinzufügen''': Wie die Regressions-Methode neigt das Neuronale Netz dazu, die Variabilität in der vorhergesagten Zeitreihe | '''Windgeschwindigkeits-Residuen hinzufügen''': Wie die Regressions-Methode neigt das Neuronale Netz dazu, die Variabilität in der vorhergesagten Zeitreihe nicht abzubilden und damit auch den Energiegehalt zu unterschätzen. Diese Variabilität kann und sollte über ein Residuenmodell künstlich hinzugefügt werden. Verwendet wird, wie bei der Regressionsmethode, die Methode der Erweiterten Normalverteilung (1.Ordnung). | ||
{{#ifeq: {{PAGENAME}}|Langzeit: Neuronales Netz| | {{#ifeq: {{PAGENAME}}|Langzeit: Neuronales Netz| | ||
''' | <br>Fortsetzung: Siehe Zeile '''Langzeitkorrektur (MCP)''' in Navigationsbox unten. | ||
{{Energieinhalt}} | |||
[[Category:Module]][[Category:ENERGIE]][[Category:MCP (DE)]]}} | [[Category:Module]][[Category:ENERGIE]][[Category:MCP (DE)]]}} | ||
Latest revision as of 15:24, 3 May 2024
Zur deutschen Hauptseite | Alle deutschsprachigen Seiten
Im Referenzdokument MCP - Measure-Correlate-Predict - An Introduction to the MCP Facilities in WindPRO, Kapitel 6 wird die Methode hinter der Neuronales-Netz-MCP erläutert. Die folgende Seite geht auf die Eingabeoptionen der Implementierung in windPRO ein.
MCP-Modul → Session öffnen → Register Modelle LZ → Bearbeiten neben Zeile Neuronales Netz
Die Methode verwendet ein Künstliches Neuronales Netz (KNN), um die Beziehung zwischen Langzeit-Referenz und Standortmessung herzustellen. Die Langzeit-Referenz im Abgleichszeitraum bildet dabei den Ausgangsdatensatz und die Standortmessung gibt das Feedback, das dazu verwendet wird, das Neuronale Netz zu trainieren. Zu den Eingangsdaten des Neuronalen Netzes gehören immer Windgeschwindigkeit und Windrichtung, fakultativ Tagesstunde und Monat (s.u.). Die Ausgangsschicht enthält Windgeschwindigkeit und Windrichtung.
MCP-Modul → Session öffnen → Register Modelle LZ → Modell hinzuf: Neuronales Netz → Bearbeiten neben Zeile Neuronales Netz
.PNG)
Die Häkchen im obigen Screenshot zeigen die Standardeinstellung.
Tagesgang: Ist dies aktiviert, so wird die Tagesstunde als Bestandteil eines Samples betrachtet und fließt in den erfahrungsbasierten Lernprozess mit ein
Jahresgang: Wenn aktiviert, fließt der Monat als Bestandteil eines Samples in den Lernprozess ein. In Fällen, in denen das Verhältnis zwischen Standort und Referenz im Jahresgang fluktuiert, führt dies oft zu einer besseren Nachbildung des Jahresgangs. Vorsicht ist geboten, wenn mit weniger als einem vollen Jahr Messdaten gearbeitet wird, da dann das Neuronale Netz in den fehlenden Monaten mit einer Situation konfrontiert wird, mit der kein Training möglich war.
Windgeschwindigkeits-Residuen hinzufügen: Wie die Regressions-Methode neigt das Neuronale Netz dazu, die Variabilität in der vorhergesagten Zeitreihe nicht abzubilden und damit auch den Energiegehalt zu unterschätzen. Diese Variabilität kann und sollte über ein Residuenmodell künstlich hinzugefügt werden. Verwendet wird, wie bei der Regressionsmethode, die Methode der Erweiterten Normalverteilung (1.Ordnung).
Fortsetzung: Siehe Zeile Langzeitkorrektur (MCP) in Navigationsbox unten.