論文の概要: Machine Intelligent Techniques for Ramp Event Prediction in Offshore and Onshore Wind Farms

• arxiv url: http://arxiv.org/abs/2011.14220v1
• Date: Sat, 28 Nov 2020 21:21:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-19 19:55:38.997811
• Title: Machine Intelligent Techniques for Ramp Event Prediction in Offshore and Onshore Wind Farms
• Title（参考訳）: オフショア・オンショアウィンドファームにおけるランプイベント予測のための機械知能技術
• Authors: Harsh S. Dhiman, Dipankar Deb
• Abstract要約: オフショアおよびオフショア風力発電所の風力資源評価は、ランプイベントの性質を正確に予測し分析するのに役立つ。 短時間の大規模なランプイベントは、電力網に接続された風力発電所に損傷を与える可能性がある。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Globally, wind energy has lessened the burden on conventional fossil fuel based power generation. Wind resource assessment for onshore and offshore wind farms aids in accurate forecasting and analyzing nature of ramp events. From an industrial point of view, a large ramp event in a short time duration is likely to cause damage to the wind farm connected to the utility grid. In this manuscript, ramp events are predicted using hybrid machine intelligent techniques such as Support vector regression (SVR) and its variants, random forest regression and gradient boosted machines for onshore and offshore wind farm sites. Wavelet transform based signal processing technique is used to extract features from wind speed. Results reveal that SVR based prediction models gives the best forecasting performance out of all models. In addition, gradient boosted machines (GBM) predicts ramp events closer to Twin support vector regression (TSVR) model. Furthermore, the randomness in ramp power is evaluated for onshore and offshore wind farms by calculating log energy entropy of features obtained from wavelet decomposition and empirical model decomposition.
• Abstract（参考訳）: 世界の風力エネルギーは従来の化石燃料による発電の負担を軽減している。 沿岸および沖合の風力発電所における風資源評価は、ランプイベントの正確な予測と解析を支援する。 産業的な見地からすると、短時間の大規模なランプイベントは、電力網に接続された風力発電所の損傷を引き起こす可能性が高い。 本書では,SVR(Support vector regression)とその変種,ランダム森林の回帰,および海岸および沖合風力発電場用勾配上昇機などのハイブリッド機械知能技術を用いて,ランプイベントを予測する。 ウェーブレット変換に基づく信号処理技術は風速から特徴を抽出するために用いられる。 その結果,SVRに基づく予測モデルでは,すべてのモデルで最高の予測性能が得られることがわかった。 さらに、勾配強化マシン(GBM)は、ツインサポートベクトル回帰(TSVR)モデルに近いランプイベントを予測する。 さらに、ウェーブレット分解と経験モデル分解から得られた特徴の対数エネルギーエントロピーを計算し、海岸および沖合風力発電所におけるランプパワーのランダム性を評価する。

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)
• An unsupervised learning approach for predicting wind farm power and downstream wakes using weather patterns [0.0]
  我々は,教師なしクラスタリング手法から得られた気象パターンと数値的な天気予報モデルを組み合わせた新しい風力エネルギーワークフローを開発した。 我々の長期予測は1年間のWRFシミュレーションと一致するが、計算時間は2%未満であることを示す。 提案手法は、高速で正確で柔軟な手法を提供することにより、出力および下流ファームウェイの複数年間の予測を容易にする。
  論文  参考訳（メタデータ） (2023-02-12T10:05:25Z)
• Integrating wind variability to modelling wind-ramp events using a non-binary ramp function and deep learning models [0.0]
  本稿では,現在の予測手法の限界について議論し,風洞イベントの分類と予測を強化する機械学習手法について検討する。 さらに,風力のモデル化に高分解能風速を取り入れた風向予測手法の設計について概説する。
  論文  参考訳（メタデータ） (2022-08-31T10:40:35Z)
• Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
  水中音響から風速時系列を検索するための深層学習手法を提案する。 我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
  論文  参考訳（メタデータ） (2022-08-18T15:27:40Z)
• Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
  イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。 我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。 最適設計と性能は場所によって異なることがわかった。
  論文  参考訳（メタデータ） (2022-04-01T14:55:10Z)
• 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)
• Uncertainty Set Prediction of Aggregated Wind Power Generation based on Bayesian LSTM and Spatio-Temporal Analysis [42.68418705495523]
  本稿では,地理的に分散した風力発電所の集合的発生の不確かさの予測に焦点をあてる。 近傍の風力発電場における部分的な観測から動的特徴を学習するための時空間モデルを提案する。 中国北西部の6つの風力発電所の実際のデータに基づく数値実験の結果,集合風力発電の不確実性セットは1つの風力発電所のそれよりも揮発性が少ないことがわかった。
  論文  参考訳（メタデータ） (2021-10-07T11:57:16Z)
• Physics-Informed Gaussian Process Regression for Probabilistic States Estimation and Forecasting in Power Grids [67.72249211312723]
  電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。 PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。 提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
  論文  参考訳（メタデータ） (2020-10-09T14:18:31Z)
• 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。