Langzeit: Neuronales Netz

From Wiki-WindPRO
Jump to navigation Jump to search
The printable version is no longer supported and may have rendering errors. Please update your browser bookmarks and please use the default browser print function instead.

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 LZBearbeiten 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 LZModell hinzuf: Neuronales NetzBearbeiten neben Zeile Neuronales Netz 

DE MCP2 (20).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).


Weiter mit:



Alle Module
Handbuch Energieberechnungen (dieses Kapitel) auf einer Seite
Meteodaten-Handling (separates Handbuchkapitel)
Diese Seite: Langzeit: Neuronales Netz
Energieberechnungen Einführung Datengrundlage (Windmessungen, Regionale Windstatistiken, Mesoskalen-Winddaten, Geländedaten, Verwenden von Online-Rauigkeitsdaten, WEA)
Scaler: EinführungScaler vs. regionale WindstatistikGelände-ScalingRIX-EinstellungenVerdrängungshöheTurbulenzPost-Kalibrierung
PARK: ÜberblickWakeverlust-Modell ♦ PARK-Berechnungstypen (Alle, WAsP, WAsP-CFD, Ressourcenkarte, Meso-Daten-Zeitreihe, Messdaten-Zeitreihe) ♦ PARK-ErgebnisseWakeBlaster
Register in PARK: Optionen (Standard)Optionen (Scaler)Wake (nur bei Scaler)WEAWindScalerWEA<>WinddatenCFD-ErgebnisdateienWEA<>WindstatistikRessource-DateienBlockageCurtailmentVerdrängungshöhe Register RIXLeistungskennlinieKostenWakeBlaster (nur bei Scaler) 2.9 Zeitliche Variation
Langzeitkorrektur (MCP) Überblick Zeitreihen Einstellungen Session Justierung Modell-Input Konzept-WahlErgebnis als Langzeitreihe (Methoden: Einfaches WG-Scaling, Regression, Matrix, Neuronales Netz) ♦ Ergebnis als Kurzzeitreihe (Methode: Skalierung der lokalen Zeitreihe) ♦ MCP-Berichte
Module und Werkzeuge für vorbereitende Berechnungen ÜberblickVerdrängungshöhen-RechnerORARIX-KorrekturMETEO (Berechnungsmodul)ATLASWAsP interfaceWAsP-CFDRESOURCESTATGENKontakt zu anderen CFD-ProgrammenLOSS & UNCERTAINTY→Ergebnislayer
Validierungswerkzeuge für Modelle und Daten Überblick→METEO-Objekt→METEO-AnalyzerMCP→PERFORMANCE CHECK
Validierungen (Englisch) MCP-ValidierungMesodaten LangzeitkonsistenzWakemodell-Validierungstests