As part of that work, Louka et.al.

As part of that work, Louka et.al. introduced modelling that is being applied in Greece[16].
For instance, the University of Athens used SKIRON modelling to forecast wind speed for upto 5 days ahead. At the same time, the Regional Atmospheric Modelling System (RAMS) was developed at Colorado State University and Mission Research Inc. ASTeR Division. RAMS can forecast wind upto 48 h later. In addition, an adaptive fuzzy neural network (F-NN) also applied wind power prediction for upto120 h ahead. However, these methods cannot handle systematic errors that are caused by local adaptation problems. The authors proposed Kalman filtering to improve the performance of the aforementioned methods. Kalman filtering is one of the statistically optimal sequential estimation procedures for dynamic systems. There sults from the research show that systematic errors can be eliminated using Kalman filtering.

ผลลัพธ์ (ไทย) 2:

ในฐานะที่เป็นส่วนหนึ่งของงานที่ Louka et.al. การสร้างแบบจำลองการแนะนำให้รู้จักที่จะถูกนำไปใช้ในกรีซ [16].
ตัวอย่างเช่นมหาวิทยาลัยเอเธนส์ใช้ SKIRON การสร้างแบบจำลองที่จะคาดการณ์ความเร็วลมเกิน 5 วันข้างหน้า ในเวลาเดียวกัน, ภูมิภาคบรรยากาศการสร้างแบบจำลองระบบ (RAMS) ได้รับการพัฒนาที่มหาวิทยาลัยรัฐโคโลราโดและภารกิจรีเสิร์ชกอง Aster RAMS สามารถคาดการณ์ลมไม่เกิน 48 ชั่วโมงต่อมา นอกจากนี้ยังมีการปรับตัวเครือข่ายประสาทเลือน (F-NN) นอกจากนี้ยังนำไปใช้ทำนายพลังงานลมสำหรับ upto120 ชั่วโมงข้างหน้า แต่วิธีการเหล่านี้ไม่สามารถจัดการกับข้อผิดพลาดของระบบที่เกิดจากปัญหาการปรับตัวในท้องถิ่น ผู้เขียนเสนอคาลมานกรองเพื่อปรับปรุงประสิทธิภาพของวิธีการดังกล่าวข้างต้น คาลมานกรองเป็นหนึ่งในขั้นตอนการประมาณค่าที่ดีที่สุดทางสถิติตามลำดับสำหรับระบบแบบไดนามิก มีไสจากการแสดงงานวิจัยที่ผิดพลาดของระบบก็จะถูกกำจัดโดยใช้คาลมานกรอง

ผลลัพธ์ (ไทย) 3:

เป็นส่วนหนึ่งของงานนั้น louka ผู้ร่วมงาน แนะนำแบบที่ถูกใช้ในกรีซ [ 16 ]ตัวอย่างเช่นมหาวิทยาลัยเอเธนส์ใช้ skiron แบบจำลองพยากรณ์ความเร็วลมเกิน 5 วันล่วงหน้า ในเวลาเดียวกัน , ระบบภูมิภาคแบบบรรยากาศ ( แกะ ) พัฒนาขึ้นที่มหาวิทยาลัยโคโลราโด และกองวิจัยภารกิจแอสเตอร์ อิงค์ แกะสามารถคาดการณ์ลมไม่เกิน 48 ชั่วโมงต่อมา นอกจากนี้ การปรับเปลี่ยนโครงข่ายประสาทฟัซซี่ ( f-nn ) ยังใช้พลังงานลมพยากรณ์ upto120 H เลย อย่างไรก็ตาม วิธีการเหล่านี้ไม่สามารถจัดการกับข้อผิดพลาดของระบบที่เกิดจากปัญหาการปรับตัวของท้องถิ่น ผู้เขียนนำเสนอการกรองคาลมานเพื่อปรับปรุงประสิทธิภาพของวิธีการดังกล่าว กรองคาลมานเป็นหนึ่งในสถิติที่เหมาะสม ( ประมาณขั้นตอนสำหรับระบบแบบไดนามิก มี sults จากการวิจัยแสดงให้เห็นว่าระบบสามารถกำจัดข้อผิดพลาดการใช้เบนโทไนท์ .