Development of a prediction model of wind signal using artificial neural networks

Abstract

This thesis presented the optimization of Multi-Layer Perceptron MLP) Artificial Neural Networks (ANN) using the Grey Wolf Optimizer (GWO) algorithm. The objective was to develop a prediction model for wind signal using artificial neural networks by using the principle of numerical statistical prediction and time-series data from air pressure, temperature, and wind speed. For accuracy and efficiency of the developed prediction model, the model consisted of the time series data divided into two sets as 70% for the learning data set and 30% for the test data set of the total data for the model to learn from the actual data set. The results obtained were Model 3-24-12-1 using input data with 3 nodes, 1 hidden layer with 24 nodes using tansig activation function, 2 hidden layers with 12 nodes using the tansig activation function and the output layer had 1 node using purelin activation function. The mean squared error in the prediction was obtained at 0.0054. It can be concluded that the prediction model could be used to forecast wind signals very well. In future work, the training algorithms by the optimizer may be used to achieve the least erroneous results.

วิทยานิพนธ์นี้นำเสนอการเพิ่มประสิทธิภาพของโครงข่ายประสาทเทียมแบบเพอร์เซปตรอนด้วยเทคนิคเกลวูฟออปติไมเซอร์ โดยมีวัตถุประสงค์เพื่อพัฒนาแบบจำลองการพยากรณ์สัญญาณลมโดยใช้โครงข่ายประสาทเทียม ซึ่งใช้หลักการของการพยากรณ์ทางสถิติเชิงตัวเลข และข้อมูลอนุกรมเวลาจากข้อมูลความกดอากาศ, อุณหภูมิ และความเร็วล, แล้วหาประสิทธิภาพด้านความถูกต้องของแบบจำลองการพยากรณ์ที่พัฒนาขึ้น โดยแบ่งชุดข้อมูลอนุกรมเวลาเป็น 2 ชุด คือ ชุดข้อมูลที่ใช้สำหรับการเรียนรู้ 70% ของข้อมูลทั้งหมด เพื่อให้แบบจําลองได้เรียนรู้จากชุดข้อมูลจริง และชุดข้อมูลทดสอบ 30 %ผลลัพธ์แบบจำลองการพยากรณ์ที่ได้คือ แบบจำลอง 3-9-3-1 ใช้ข้อมูลชั้นนำเข้ามีจำนวนโหนด 3โหนด ชั้นซ่อนที่ 1 มีจำนวนโหนด 9 โหนด ใช้ฟังก์ชั่นกระตุ้นแบบแทนซิกม์ ชั้นซ่อนที่ 2 มีจำนวนโหนด 3 โหนด ใช้ฟังก์ชั่นกระตุ้นแบบแทนซิกม์ และชั้นผลลัพธ์ มีจำนวนโหนด 1 โหนด ใช้ฟังก์ชั่นถ่ายโอนแบบเพียวลินน์ ได้ค่าความผิดพลาดเฉลี่ยยกกำลังสองในการพยากรณ์ที่ 0.0054 สรุปได้ว่าแบบจำลองการพยากรณ์ สามารถใช้พยากรณ์สัญญาณลมได้เป็นอย่างดี ในการวิจัยในอนาคตอาจใช้อัลกอริทึมการฝึกสอนโดยเครื่องมือเพิ่มประสิทธิภาพเพื่อให้ได้ผลลัพธ์ที่ผิดพลาดน้อยที่สุด