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-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) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
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。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
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) - 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) - 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) - 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) - Wind power predictions from nowcasts to 4-hour forecasts: a learning
approach with variable selection [1.4623784198777086]
風速と風力の短期予測(毎時10分から4時間前)について検討する。
風力予測には、間接的アプローチ(風速予測はパワーカーブを通過する)と間接的アプローチ(直接的風力予測)を比較する。
論文 参考訳(メタデータ) (2022-04-20T10:09:22Z) - 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。
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。