Wind speed forecasting is necessary to integrate wind farms into power systems. In the past ten years, the forecasting models have become increasingly complex due to the development of artifi-cial intelligence methods and computing power. Simultaneously, the robustness of models has de-creased since complex models have a high risk of overfitting and decline in the accuracy if working conditions change significantly. This work aims to develop a machine learning model for short-term wind speed forecasting with acceptable accuracy but high robustness and the possibility of automatic online retraining. A shallow multilayer perceptron, trained only on retrospective data on wind speed, is proposed. The most significant results are combining simple neural network architecture with ReLU activation function, Adam training method developed for deep neural networks; and the automatic hy-per-parameters selection using Grid search with open upper bounds. The model was trained on the data of the autumn period and tested on the winter data. A comparison was made with the simplest and most robust adaptive forecasting methods: Brown and Holt models. The significance of the obtained results is that shallow neural networks using ReLU, Adam, and Grid search are practically not inferior to adaptive models in terms of tuning speed and the risk of subsequent differences in accuracy be-tween training data and data supplied during operation. At the same time, shallow neural networks make it possible to obtain more accurate forecasts, and due to their small size, they are trained quickly; and retraining can be performed automatically when new data arrives.

Pronoza vitezei vântului este esențială pentru integrarea parcurilor eoliene în sistemele electroenergetice. În ultimii 10 ani, odată cu dezvoltarea metodelor de inteligență artificială și a puterii de calcul, modelele de prognoză au devenit din ce în ce mai complexe. Scopul lucrării este de a dezvolta un model de învățare automată pentru prognoza pe termen scurt a vitezei vântului cu o precizie acceptabilă cu capacități ridicate de stabilitate în timpul funcționării ulterioare și cu posibilitatea de formare suplimentară automată în timp real. Pentru a atinge acest obiectiv, se propune un perceptron compact multistrat, care poate fi instruit numai cu privire la datele retrospective ale vitezei vântului. Cele mai semnificative rezultate costau în combinația unei arhitecturi simple a modelului rețelei neuronale cu funcția de activare ReLU, metoda de antrenament Adam dezvoltată pentru rețelele neuronale profunde, precum și în procedura de reglare automată a hiper-parametrilor rețelei utilizând metoda de căutare S-a realizat analiză comparativă cu cele mai simple și mai fiabile metode de prognoză adaptivă: modelele Brown și Holt. Semnificația studiului constă în confirmarea obținută că rețelele neuronale compacte atunci când se utilizează căutarea ReLU, Adam și Grid nu sunt practic inferioare modelelor adaptive în ceea ce privește viteza de reglare a sarcinii și riscul unei discrepanțe ulterioare în ceea ce privește precizia datelor de antrenament și a datelor care vor fi furnizate în timpul funcționării. În același timp, rețelele neuronale compacte permit obținerea de previziuni mai precise și, datorită dimensiunilor mici, sunt instruite rapid, iar antrenamentul poate fi efectuat automat la sosirea de noi date.

Прогнозирование скорости ветрового потока необходимо для интеграции ветровых электростанций в электроэнергетические системы. В последние 10 лет с развитием методов искусственного интеллекта и вычислительных мощностей модели прогнозирования становятся все более сложными. Но при этом теряется устойчивость таких моделей к изменениям условий работы, так как сложные модели имеют высокий риск переобучения. Целью работы является разработка модели машинного обучения для краткосрочного прогнозирования скорости ветра с приемлемой точностью, но высокой устойчивостью при последующей эксплуатации, и с возможностью автоматического дообучения в реальном времени. Для достижения поставленной цели предложен компактный многослойный перцептрон, обучаемый только на ретроспективных данных о скорости ветра. Наиболее существенными результатами являются соединение простой архитектуры нейросетевой модели с функцией активации ReLU, методом обучения Adam, разработанными для глубоких нейронных сетей, а также в процедуре автоматической настройки гипер-параметров сети с помощью метода Grid search с открытыми верхними границами. Модель обучались на данных осеннего периода, а тестировались на данных зимнего периода, таким образом исследование было приближено к реальной ситуации, когда разработанная модель вводится в эксплуатацию и должна без внесения изменений начать работать в новых условиях. Было проведено сравнение с наиболее простыми и надежными адаптивными методами прогнозирования: моделями Брауна и Хольта. Значимость исследования заключается в полученном подтверждении того, что компактные нейронные сети при использовании ReLU, Adam и Grid search практически не уступают адаптивным моделям с точки зрения быстроты настройки на задачу и риска последующего расхождения точности на обучающих данных и данных, которые будут подаваться во время эксплуатации. При этом компактные нейронные сети позволяют получать более точные прогнозы, а за счет малого размера они быстро обучаются и обучение может выполняться автоматически при поступлении новых данных.