Fugu-MT 論文翻訳(概要): Wind Speed Prediction and Visualization Using Long Short-Term Memory Networks (LSTM)

論文の概要: Wind Speed Prediction and Visualization Using Long Short-Term Memory Networks (LSTM)

arxiv url: http://arxiv.org/abs/2005.12401v1
Date: Fri, 22 May 2020 17:51:13 GMT
ステータス: 処理完了
システム内更新日: 2022-11-30 09:34:26.384582
Title: Wind Speed Prediction and Visualization Using Long Short-Term Memory Networks (LSTM)
Title（参考訳）: 長期記憶ネットワーク(LSTM)を用いた風速予測と可視化
Authors: Md Amimul Ehsan, Amir Shahirinia, Nian Zhang, Timothy Oladunni
Abstract要約: 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。
参考スコア（独自算出の注目度）: 1.8495489370732452
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Climate change is one of the most concerning issues of this century. Emission from electric power generation is a crucial factor that drives the concern to the next level. Renewable energy sources are widespread and available globally, however, one of the major challenges is to understand their characteristics in a more informative way. This paper proposes the prediction of wind speed that simplifies wind farm planning and feasibility study. Twelve artificial intelligence algorithms were used for wind speed prediction from collected meteorological parameters. The model performances were compared to determine the wind speed prediction accuracy. The results show a deep learning approach, long short-term memory (LSTM) outperforms other models with the highest accuracy of 97.8%.
Abstract（参考訳）: 気候変動はこの世紀で最も関係のある問題の一つである。発電からの排出は、懸念を次のレベルへと導く重要な要因である。再生可能エネルギー源は世界中に広く普及しているが、大きな課題の1つは、その特性をより情報的な方法で理解することである。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。収集した気象パラメータから風速予測には12の人工知能アルゴリズムが用いられた。風速予測精度を決定するために, モデル性能を比較した。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。

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)
Hiformer: Hybrid Frequency Feature Enhancement Inverted Transformer for Long-Term Wind Power Prediction [6.936415534357298]
ハイブリット周波数特徴強調変換器(ハイフォーマ)という新しい手法を提案する。 Hiformerは、気象条件と風力発電の相関関係のモデリングを強化するために、信号分解技術と気象特徴抽出技術を統合する。最先端の手法と比較して、(i)予測精度を最大52.5%向上させ、(ii)計算時間を最大68.5%削減することができる。
論文参考訳（メタデータ） (2024-10-17T08:00:36Z)
TCNFormer: Temporal Convolutional Network Former for Short-Term Wind Speed Forecasting [9.47727784069628]
本研究は,短期(12時間)の風速予測のための時間的コンテンポラル前駆体 (TCNFormer) を提案する。以上の結果から,TNFormerは予測精度において最先端モデルよりも優れていたことが示唆された。
論文参考訳（メタデータ） (2024-08-27T15:35:42Z)
FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文参考訳（メタデータ） (2024-01-28T13:23:25Z)
Ultra-short-term multi-step wind speed prediction for wind farms based on adaptive noise reduction technology and temporal convolutional network [0.0]
本研究では、データノイズ低減技術、時間畳み込みネットワーク(TCN)、ゲートリカレントユニット(GRU)に基づく新しい風速予測モデルを提案する。提案モデルは山東省の3つの風力発電所で検証された。
論文参考訳（メタデータ） (2023-11-27T03:53:19Z)
Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
論文参考訳（メタデータ） (2023-07-14T06:50:02Z)
GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文参考訳（メタデータ） (2022-12-24T18:15:39Z)
Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文参考訳（メタデータ） (2022-11-03T17:19:43Z)
Measuring Wind Turbine Health Using Drifting Concepts [55.87342698167776]
風力タービンの健全性解析のための2つの新しい手法を提案する。第1の方法は、比較的高低電力生産の減少または増加を評価することを目的とする。第2の方法は抽出された概念の全体的ドリフトを評価する。
論文参考訳（メタデータ） (2021-12-09T14:04:55Z)
Predictive models for wind speed using artificial intelligence and copula [0.0]
本研究は,風力発電計画の簡易化を目的とした風速予測と実現可能性研究の2つの目的を考察した。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。風速依存性の不確実性に関するいくつかの知見に対処した。
論文参考訳（メタデータ） (2021-07-06T16:18:12Z)
Performance Comparison of Different Machine Learning Algorithms on the Prediction of Wind Turbine Power Generation [0.0]
風力の浸透は電力システムの配給および計画の難しさそして複雑さを高めました。電力のバランスをとるためには,高精度な風力予測を行う必要がある。
論文参考訳（メタデータ） (2021-05-11T17:02:24Z)

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。