論文の概要: Two-stage short-term wind power forecasting algorithm using different
feature-learning models
- arxiv url: http://arxiv.org/abs/2006.00413v3
- Date: Tue, 29 Jun 2021 01:06:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-26 13:17:30.395816
- Title: Two-stage short-term wind power forecasting algorithm using different
feature-learning models
- Title(参考訳): 異なる特徴学習モデルを用いた2段階短期風力予測アルゴリズム
- Authors: Jiancheng Qin, Jin Yang, Ying Chen, Qiang Ye, Hua Li
- Abstract要約: 風力予測分野において,2段階のアンサンブルに基づく予測手法が広く研究されている。
深層学習に基づく風力予測研究は2つの側面を研究していない。
最初の段階では、複数の入力と複数の出力を考慮した異なる学習構造が議論されていない。
第2段階では,モデル外挿問題については検討されていない。
- 参考スコア(独自算出の注目度): 8.41684803105392
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Two-stage ensemble-based forecasting methods have been studied extensively in
the wind power forecasting field. However, deep learning-based wind power
forecasting studies have not investigated two aspects. In the first stage,
different learning structures considering multiple inputs and multiple outputs
have not been discussed. In the second stage, the model extrapolation issue has
not been investigated. Therefore, we develop four deep neural networks for the
first stage to learn data features considering the input-and-output structure.
We then explore the model extrapolation issue in the second stage using
different modeling methods. Considering the overfitting issue, we propose a new
moving window-based algorithm using a validation set in the first stage to
update the training data in both stages with two different moving window
processes.Experiments were conducted at three wind farms, and the results
demonstrate that the model with single input multiple output structure obtains
better forecasting accuracy compared to existing models. In addition, the ridge
regression method results in a better ensemble model that can further improve
forecasting accuracy compared to existing machine learning methods. Finally,
the proposed two-stage forecasting algorithm can generate more accurate and
stable results than existing algorithms.
- Abstract(参考訳): 2段階のアンサンブルに基づく予測手法は風力予測の分野で広く研究されている。
しかし、深層学習に基づく風力予測研究は2つの側面を研究していない。
最初の段階では、複数の入力と複数の出力を考慮した異なる学習構造が議論されていない。
第2段階では,モデル外挿問題の検討は行われていない。
そこで我々は,入力・出力構造を考慮したデータ特徴を学習するために,まず4つのディープニューラルネットワークを開発する。
次に、異なるモデリング手法を用いて第2段階でモデル外挿問題を探索する。
オーバーフィッティング問題を考慮して,2つの異なる移動窓プロセスで両ステージのトレーニングデータを更新するための検証セットを用いた新しい移動窓ベースアルゴリズムを提案する。実験は3つの風力発電所で行われ,単一入力の複数出力構造を持つモデルが,既存のモデルよりも優れた予測精度が得られることを示す。
さらに、リッジ回帰法により、既存の機械学習法と比較して予測精度を向上できるより優れたアンサンブルモデルが得られる。
最後に,提案する2段階予測アルゴリズムは,既存のアルゴリズムよりも正確で安定した結果を生成することができる。
関連論文リスト
- In-Context Convergence of Transformers [63.04956160537308]
勾配降下法により訓練したソフトマックスアテンションを有する一層変圧器の学習力学について検討した。
不均衡な特徴を持つデータに対しては、学習力学が段階的に収束する過程をとることを示す。
論文 参考訳(メタデータ) (2023-10-08T17:55:33Z) - The Languini Kitchen: Enabling Language Modelling Research at Different
Scales of Compute [66.84421705029624]
本稿では,アクセル時間で測定された等価計算に基づくモデル比較を可能にする実験的プロトコルを提案する。
私たちは、既存の学術的ベンチマークを上回り、品質、多様性、文書の長さで上回る、大規模で多様で高品質な書籍データセットを前処理します。
この研究は、GPT-2アーキテクチャから派生したフィードフォワードモデルと、10倍のスループットを持つ新しいLSTMの形式でのリカレントモデルという2つのベースラインモデルも提供する。
論文 参考訳(メタデータ) (2023-09-20T10:31:17Z) - An Adaptive Approach for Probabilistic Wind Power Forecasting Based on
Meta-Learning [7.422947032954223]
本稿では,オフラインおよびオンライン学習手順を含む,確率的風力予測(WPF)への適応的アプローチについて検討する。
オフライン学習では、メタ学習の内外ループ更新を通じてベース予測モデルを訓練する。
オンライン学習の段階では、ベース予測モデルがオンライン予測に適用され、漸進的な学習技術が組み合わされる。
論文 参考訳(メタデータ) (2023-08-15T18:28:22Z) - Physics-Informed Multi-Stage Deep Learning Framework Development for
Digital Twin-Centred State-Based Reactor Power Prediction [0.34195949118264074]
本研究は, 原子炉・プラントにおける過渡的反応器の最終定常電力を決定するための多段階予測モデルを開発する。
4つの回帰モデルを開発し、第1段階モデルからの入力を用いて、原子炉出力を表す単一の値を予測する。
組み合わせモデルでは、第1段階の分類精度が96%、第2段階の絶対予測精度が92%となる。
論文 参考訳(メタデータ) (2022-11-23T17:32:52Z) - ModelDiff: A Framework for Comparing Learning Algorithms [86.19580801269036]
そこでは,2つの異なる学習アルゴリズムを用いて学習したモデルの違いを見つけることを目的とする。
トレーニングデータの使用方法に基づいて学習アルゴリズムを比較するために,データモデルフレームワークを利用するModelDiffを提案する。
論文 参考訳(メタデータ) (2022-11-22T18:56:52Z) - IDM-Follower: A Model-Informed Deep Learning Method for Long-Sequence
Car-Following Trajectory Prediction [24.94160059351764]
ほとんどの自動車追従モデルは生成的であり、最後のステップの速度、位置、加速度の入力のみを考慮する。
2つの独立したエンコーダと、次の軌道を逐次予測できる自己アテンションデコーダを備えた新しい構造を実装した。
シミュレーションとNGSIMデータセットの複数の設定による数値実験により、IMM-Followerは予測性能を向上させることができることが示された。
論文 参考訳(メタデータ) (2022-10-20T02:24:27Z) - Generative machine learning methods for multivariate ensemble
post-processing [2.266704492832475]
生成機械学習に基づく非パラメトリックなデータ駆動分散回帰モデルを提案する。
2つのケーススタディにおいて、我々の生成モデルは最先端の手法よりも大幅に改善されている。
論文 参考訳(メタデータ) (2022-09-26T09:02:30Z) - Rethinking Bayesian Learning for Data Analysis: The Art of Prior and
Inference in Sparsity-Aware Modeling [20.296566563098057]
信号処理と機械学習のためのスパースモデリングは、20年以上にわたって科学研究の焦点となっている。
本稿では,3つの一般的なデータモデリングツールにスパーシティ・プロモーティング・プリエントを組み込むことの最近の進歩を概観する。
論文 参考訳(メタデータ) (2022-05-28T00:43:52Z) - On the Role of Bidirectionality in Language Model Pre-Training [85.14614350372004]
本研究では,次のトークン予測,テキスト入力,ゼロショットプライミング,微調整における双方向性の役割について検討する。
最大6.7Bのパラメータを持つモデルをトレーニングし、スケールで一貫性のある相違点を見つけます。
論文 参考訳(メタデータ) (2022-05-24T02:25:05Z) - MoEfication: Conditional Computation of Transformer Models for Efficient
Inference [66.56994436947441]
トランスフォーマーベースの事前学習言語モデルは、パラメータ容量が大きいため、ほとんどのNLPタスクにおいて優れた性能を実現することができるが、計算コストも大きい。
スパースアクティベーション現象に基づく条件計算により,大規模モデル推論を高速化する。
そこで本研究では,モデルサイズが等しいMoE(Mix-of-experts)バージョン,すなわちMoEficationに変換することを提案する。
論文 参考訳(メタデータ) (2021-10-05T02:14:38Z) - Efficient Ensemble Model Generation for Uncertainty Estimation with
Bayesian Approximation in Segmentation [74.06904875527556]
アンサンブルセグメンテーションモデルを構築するための汎用的で効率的なセグメンテーションフレームワークを提案する。
提案手法では,層選択法を用いて効率よくアンサンブルモデルを生成することができる。
また,新たな画素単位の不確実性損失を考案し,予測性能を向上する。
論文 参考訳(メタデータ) (2020-05-21T16:08:38Z)
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。