論文の概要: An Evolutionary Deep Learning Method for Short-term Wind Speed Prediction: A Case Study of the Lillgrund Offshore Wind Farm

• arxiv url: http://arxiv.org/abs/2002.09106v1
• Date: Fri, 21 Feb 2020 03:28:17 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 00:24:51.359141
• Title: An Evolutionary Deep Learning Method for Short-term Wind Speed Prediction: A Case Study of the Lillgrund Offshore Wind Farm
• Title（参考訳）: 短期風速予測のための進化的深層学習法--リグルンド洋上風力発電所を事例として
• Authors: Mehdi Neshat, Meysam Majidi Nezhad, Ehsan Abbasnejad, Lina Bertling Tjernberg, Davide Astiaso Garcia, Bradley Alexander, Markus Wagner
• Abstract要約: 本研究は,2つのLong Short-term memory(LSTM) ANNモデルのハイパーパラメータを風速予測のために調整するために,一般的な進化的探索アルゴリズムであるCMA-ESを用いた新しいハイブリッド進化的アプローチを用いる。 提案されたハイブリッドアプローチは、バルト海にあるスウェーデンの風力発電所に設置されたオフショア風力タービンから収集されたデータに基づいて訓練される。
• 参考スコア（独自算出の注目度）: 6.939496425463776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate short-term wind speed forecasting is essential for large-scale integration of wind power generation. However, the seasonal and stochastic characteristics of wind speed make forecasting a challenging task. This study uses a new hybrid evolutionary approach that uses a popular evolutionary search algorithm, CMA-ES, to tune the hyper-parameters of two Long short-term memory(LSTM) ANN models for wind prediction. The proposed hybrid approach is trained on data gathered from an offshore wind turbine installed in a Swedish wind farm located in the Baltic Sea. Two forecasting horizons including ten-minutes ahead (absolute short term) and one-hour ahead (short term) are considered in our experiments. Our experimental results indicate that the new approach is superior to five other applied machine learning models, i.e., polynomial neural network (PNN), feed-forward neural network (FNN), nonlinear autoregressive neural network (NAR) and adaptive neuro-fuzzy inference system (ANFIS), as measured by five performance criteria.
• Abstract（参考訳）: 風力発電の大規模統合には,正確な短期風速予測が不可欠である。 しかし、風速の季節的・確率的特性から予測は困難な課題となっている。 本研究では,2つの長短期記憶(LSTM)ANNモデルの過パラメータを風速予測のために調整するために,一般的な進化的探索アルゴリズムであるCMA-ESを用いたハイブリッド進化的アプローチを用いる。 提案されたハイブリッドアプローチは、バルト海にあるスウェーデンの風力発電所に設置されたオフショア風力タービンから収集されたデータに基づいて訓練される。 実験では10分先(絶対短期)と1時間先(短期)の2つの予測地平線が検討されている。 実験結果から,新しいアプローチは,他の5つの応用機械学習モデル,例えば,多項式ニューラルネットワーク(pnn),フィードフォワードニューラルネットワーク(fnn),非線形自己回帰ニューラルネットワーク(nar),適応ニューロファジー推論システム(anfis)よりも5つの性能基準で優れていることが示唆された。

関連論文リスト

• FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
  本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。 我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。 日時から季節時の予測誤差成長に関するアブレーション実験
  論文  参考訳（メタデータ） (2024-11-15T13:44:37Z)
• Short-term Wind Speed Forecasting for Power Integration in Smart Grids based on Hybrid LSSVM-SVMD Method [0.0]
  風力エネルギーは、最も広く利用されている再生可能エネルギー資源の1つとなっている。 グリッドシステムへの風力統合の成功は、正確な風速予測モデルに基づいている。 本稿では,短期風速予測のためのハイブリッド機械学習手法を提案する。
  論文  参考訳（メタデータ） (2024-08-30T10:35:59Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Speed Limits for Deep Learning [67.69149326107103]
  熱力学の最近の進歩は、初期重量分布から完全に訓練されたネットワークの最終分布への移動速度の制限を可能にする。 線形および線形化可能なニューラルネットワークに対して,これらの速度制限に対する解析式を提供する。 NTKスペクトルとラベルのスペクトル分解に関するいくつかの妥当なスケーリング仮定を考えると、学習はスケーリングの意味で最適である。
  論文  参考訳（メタデータ） (2023-07-27T06:59:46Z)
• A Novel Correlation-optimized Deep Learning Method for Wind Speed Forecast [12.61580086941575]
  風力発電の設置率の増加は、世界的電力システムに大きな課題をもたらす。 深層学習は風速予測に徐々に応用される。 新しい認知と記憶ユニット(CMU)は、従来のディープラーニングフレームワークを強化するために設計されている。
  論文  参考訳（メタデータ） (2023-06-03T02:47:46Z)
• Multi-Step Short-Term Wind Speed Prediction with Rank Pooling and Fast Fourier Transformation [0.0]
  短期的な風速予測は、経済的な風力利用に不可欠である。 現実の風速データは通常断続的で変動し、既存の浅いモデルに大きな課題をもたらす。 本稿では,多段風速予測,すなわちLR-FFT-RP-MLP/LSTMのための新しいハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2022-11-23T14:02:52Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Online learning of windmill time series using Long Short-term Cognitive Networks [58.675240242609064]
  風車農場で生成されたデータの量は、オンライン学習が従うべき最も有効な戦略となっている。 我々はLong Short-term Cognitive Networks (LSTCNs) を用いて、オンライン環境での風車時系列を予測する。 提案手法は,単純なRNN,長期記憶,Gated Recurrent Unit,Hidden Markov Modelに対して最も低い予測誤差を報告した。
  論文  参考訳（メタデータ） (2021-07-01T13:13:24Z)
• Wind Speed Prediction and Visualization Using Long Short-Term Memory Networks (LSTM) [1.8495489370732452]
  本稿では,風力発電計画と実現可能性研究を簡易化する風速予測手法を提案する。 その結果、長期記憶(LSTM)は97.8%の精度で他のモデルより優れていることが判明した。
  論文  参考訳（メタデータ） (2020-05-22T17:51:13Z)
• Hybrid Neuro-Evolutionary Method for Predicting Wind Turbine Power Output [6.411829871947649]
  我々は,スウェーデンのオンショア風力発電所から出力される電力を推定するために,SCADAシステムにおける履歴データを入力として利用する。 風のパターンが非線形で多様であるという事前の知識により、我々は自己適応微分進化(SaDE)アルゴリズムを組み合わせる。 私たちのアプローチは、そのアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-04-02T04:22:22Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。