An Analysis on Wind Speed Forecasting Result with the Elman Recurrent Neural Network Method

Abstract

Weather factors in the archipelago have an important role in sea transportation. Weather factors, especially wind speed and wave height, become the determinants of sailing permits besides transportation’s availability, routes, and fuel. Wind speed is also a potential source of renewable energy in the archipelago. Accurate wind speed forecasting is very useful for marine transportation and development of wind power technology. One of the methods in the artificial neural network field, Elman Recurrent Neural Network (ERNN), is used in this study to forecast wind speed. Wind speed data in 2019 from measurements at the Badan Meteorolog Klimatologi dan Geofisika (BMKG) at Hang Nadim Batam station were used in the training and testing process. The forecasting results showed an accuracy rate of 88.28% on training data and 71.38% on test data. The wide data range with the randomness and uncertainty of wind speed is the cause of low accuracy. The data set is divided into the training set and the testing set in several ratio schemas. The division of this data set considered to have contributed to the MAPE value. The observation data and data division carried out in different seasons, with varying types of wind cycles. Therefore, the forecasting results obtained in the training process are 17% better than the testing data.

Modelos de Predicción de Radiación Solar y Temperatura Ambiente mediante Redes Neuronales Recurrentes

“…Una RNR se caracteriza por tener una capa de contexto en donde parte de información se retroalimenta como una nueva entrada, esto permite que la red tenga mayor capacidad de aprendizaje al reconocer y generar patrones [5]. Lo que diferencia una RNRE de una RNRJ es que la retroalimentación en Elman va desde la salida de la capa oculta hacia la capa de contexto, en cambio en Jordan la retroalimentación ocurre desde la capa de salida hasta las neuronas de la capa de contexto.…”

“…Existen diversos métodos de predicción de series temporales con modelos estadísticos, numéricos y de inteligencia artificial (IA), basados en el comportamiento físico de la atmósfera [1], [3]. Estos métodos pueden ser del tipo de predicción autoregresivo (AR) y sus variantes como el Método Autoregresivo de Promedio Móvil (ARMA) o el método Autoregresivo Condicional de Heterocedasticidad (ARCH), como se explica en los trabajos de Laily et al [4] y Bettiza [5]. Estas metodologías son univariables y generalmente trabajan bien con series temporales estacionarias [6].…”