Модель прогнозирования ветроэнергетики на основе импульсной нейронной сети для нейроморфных устройств

Многие авторы сообщали об использовании методов глубокого обучения для моделирования прогнозов ветроэнергетики. Для краткосрочных прогнозов обучение и внедрение таких моделей затруднено их вычислительной стоимостью. Нейроморфные вычисления предлагают новую парадигму для преодоления этого барьера посредством разработки устройств, подходящих для приложений, где задержка и низкое энергопотребление играют ключевую роль, как, например, в случае краткосрочного прогнозирования ветроэнергетики в режиме реального времени. Использование биологически вдохновленных алгоритмов, адаптированных к архитектуре нейроморфных устройств, таких как импульсные нейронные сети, необходимо для максимального раскрытия их потенциала. В данной статье мы предлагаем модель краткосрочного прогнозирования ветроэнергетики, основанную на импульсных нейронных сетях, адаптированную к вычислительным возможностям Loihi, нейроморфного устройства, разработанного Intel. Представлен пример с реальными данными по генерации ветроэнергетики в Ирландии для оценки возможностей предлагаемого подхода, достигающего нормализованной средней абсолютной погрешности 2,84% для прогнозов ветроэнергетики на один шаг вперед. Исследование иллюстрирует возможность разработки нейроморфных устройств, отвечающих конкретным потребностям сектора ветроэнергетики.*

Many authors have reported the use of deep learning techniques to model wind power forecasts. For shorter-term prediction horizons, the training and deployment of such models is hindered by their computational cost. Neuromorphic computing provides a new paradigm to overcome this barrier through the development of devices suited for applications where latency and low-energy consumption play a key role, as is the case in real-time short-term wind power forecasting. The use of biologically inspired algorithms adapted to the architecture of neuromorphic devices, such as spiking neural networks, is essential to maximize their potential. In this paper, we propose a short-term wind power forecasting model based on spiking neural networks adapted to the computational abilities of Loihi, a neuromorphic device developed by Intel. A case study is presented with real wind power generation data from Ireland to evaluate the ability of the proposed approach, reaching a normalised mean absolute error of 2.84 percent for one-step-ahead wind power forecasts. The study illustrates the plausibility of the development of neuromorphic devices aligned with the specific demands of the wind energy sector.