WIND ENERGY POTENTIAL ASSESSMENT BASED ON WIND DIRECTION MODELLING AND MACHINE LEARNING
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989100%3A27730%2F16%3A86100168" target="_blank" >RIV/61989100:27730/16:86100168 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/61989100:27360/16:86100168 RIV/61989100:27240/16:86100168
Výsledek na webu
<a href="http://www.nnw.cz/doi/2016/NNW.2016.26.030.pdf" target="_blank" >http://www.nnw.cz/doi/2016/NNW.2016.26.030.pdf</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.14311/NNW.2016.26.030" target="_blank" >10.14311/NNW.2016.26.030</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
WIND ENERGY POTENTIAL ASSESSMENT BASED ON WIND DIRECTION MODELLING AND MACHINE LEARNING
Popis výsledku v původním jazyce
Precise wind energy potential assessment is vital for wind energy generation and planning and development of new wind power plants. This work proposes and evaluates a novel two-stage method for location-specific wind energy potential assessment. It combines accurate statistical modelling of annual wind direction distribution in a given location with supervised machine learning of efficient estimators that can approximate energy efficiency coefficients from the parameters of optimized statistical wind direction models. The statistical models are optimized using differential evolution and energy efficiency is approximated by evolutionary fuzzy rules.
Název v anglickém jazyce
WIND ENERGY POTENTIAL ASSESSMENT BASED ON WIND DIRECTION MODELLING AND MACHINE LEARNING
Popis výsledku anglicky
Precise wind energy potential assessment is vital for wind energy generation and planning and development of new wind power plants. This work proposes and evaluates a novel two-stage method for location-specific wind energy potential assessment. It combines accurate statistical modelling of annual wind direction distribution in a given location with supervised machine learning of efficient estimators that can approximate energy efficiency coefficients from the parameters of optimized statistical wind direction models. The statistical models are optimized using differential evolution and energy efficiency is approximated by evolutionary fuzzy rules.
Klasifikace
Druh
J<sub>x</sub> - Nezařazeno - Článek v odborném periodiku (Jimp, Jsc a Jost)
CEP obor
IN - Informatika
OECD FORD obor
—
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2016
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Neural Network World
ISSN
1210-0552
e-ISSN
—
Svazek periodika
26
Číslo periodika v rámci svazku
6
Stát vydavatele periodika
CZ - Česká republika
Počet stran výsledku
20
Strana od-do
519-538
Kód UT WoS článku
000392283000001
EID výsledku v databázi Scopus
—