論文の概要: Scalable Optimization for Wind Farm Control using Coordination Graphs
- arxiv url: http://arxiv.org/abs/2101.07844v1
- Date: Tue, 19 Jan 2021 20:12:30 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 11:27:48.673264
- Title: Scalable Optimization for Wind Farm Control using Coordination Graphs
- Title（参考訳）: 座標グラフを用いた風力発電制御のスケーラブル最適化
- Authors: Timothy Verstraeten, Pieter-Jan Daems, Eugenio Bargiacchi, Diederik M.
Roijers, Pieter J.K. Libin, Jan Helsen
- Abstract要約: 風力発電の制御装置は、グリッドオペレータによって課される電力需要と農場の電力生産を一致させるために必要である。
風力タービン間の複雑な依存関係が存在するため、これは非自明な最適化問題である。
本研究では,スパースな風力場構造を利用して最適化問題を推定する風力場制御の新しい学習方法を提案する。
- 参考スコア（独自算出の注目度）: 5.56699571220921
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Wind farms are a crucial driver toward the generation of ecological and
renewable energy. Due to their rapid increase in capacity, contemporary wind
farms need to adhere to strict constraints on power output to ensure stability
of the electricity grid. Specifically, a wind farm controller is required to
match the farm's power production with a power demand imposed by the grid
operator. This is a non-trivial optimization problem, as complex dependencies
exist between the wind turbines. State-of-the-art wind farm control typically
relies on physics-based heuristics that fail to capture the full load spectrum
that defines a turbine's health status. When this is not taken into account,
the long-term viability of the farm's turbines is put at risk. Given the
complex dependencies that determine a turbine's lifetime, learning a flexible
and optimal control strategy requires a data-driven approach. However, as wind
farms are large-scale multi-agent systems, optimizing control strategies over
the full joint action space is intractable. We propose a new learning method
for wind farm control that leverages the sparse wind farm structure to
factorize the optimization problem. Using a Bayesian approach, based on
multi-agent Thompson sampling, we explore the factored joint action space for
configurations that match the demand, while considering the lifetime of
turbines. We apply our method to a grid-like wind farm layout, and evaluate
configurations using a state-of-the-art wind flow simulator. Our results are
competitive with a physics-based heuristic approach in terms of demand error,
while, contrary to the heuristic, our method prolongs the lifetime of high-risk
turbines.
- Abstract（参考訳）: 風力発電所は、生態系と再生可能エネルギーの創出に不可欠である。
容量が急速に増加したため、現代の風力発電所は電力グリッドの安定性を確保するために出力に厳しい制約を課す必要がある。
具体的には、風力発電所の電力生産をグリッドオペレータが課す電力需要に合わせるために風力発電所制御装置が必要となる。
風力タービン間の複雑な依存関係が存在するため、これは非自明な最適化問題である。
最先端の風力発電制御は典型的には、タービンの健康状態を定義する全負荷スペクトルを捕捉できない物理ベースのヒューリスティックに依存している。
これが考慮されていない場合、農場のタービンの長期生存性は危険にさらされる。
タービンの寿命を決定する複雑な依存関係を考えると、柔軟で最適な制御戦略を学ぶにはデータ駆動のアプローチが必要だ。
しかし、風力発電は大規模マルチエージェントシステムであるため、全関節動作空間における制御戦略の最適化は困難である。
そこで本稿では, 疎風力発電構造を利用した風力発電制御の新しい学習手法を提案し, 最適化問題を分解する。
マルチエージェントのトンプソンサンプリングに基づくベイズ手法を用いて,タービンの寿命を考慮しつつ,需要に合致する構成のための因子付きジョイント動作空間を探索する。
本手法をグリッド型風力発電機レイアウトに適用し,最先端の風流シミュレータを用いて構成評価を行う。
提案手法は,要求誤差の観点から物理に基づくヒューリスティック手法と競合する一方で,ヒューリスティックとは対照的に,高リスクタービンの寿命を延ばす。
関連論文リスト
- Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [82.73648398969738]
本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。
Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
論文 参考訳（メタデータ） (2022-05-13T21:55:28Z) - Digital Twin Framework for Time to Failure Forecasting of Wind Turbine
Gearbox: A Concept [0.0]
風力タービンは複雑な機械であり、回転・非回転装置は故障に敏感である。
風力タービンの故障検出は、しばしば風力発電事業者から利用可能なSCADAデータで補完される。
時系列分析とデータ表現は、動的プロセスのより深い基盤となる強力なツールとなっている。
論文 参考訳（メタデータ） (2022-04-28T05:51:48Z) - Wind Farm Layout Optimisation using Set Based Multi-objective Bayesian
Optimisation [0.0]
風力発電エネルギーの欠点の1つは、風力発電所を設置するのに必要な大きな空間である。
これは自然に最適化の問題につながるが、これは3つの特定の課題がある。
論文 参考訳（メタデータ） (2022-03-31T14:33:50Z) - 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) - Deep Spatio-Temporal Wind Power Forecasting [4.219722822139438]
エンコーダ・デコーダ構造に基づく深層学習手法を開発した。
本モデルでは,風力タービンが発生した風力を,他のタービンと比較して空間的位置と過去の風速データを用いて予測する。
論文 参考訳（メタデータ） (2021-09-29T16:26:10Z) - Wind Power Projection using Weather Forecasts by Novel Deep Neural
Networks [0.0]
最適化された機械学習アルゴリズムを用いることで、観測結果に隠れたパターンを見つけ、意味のあるデータを得ることができる。
電力曲線を用いた風力予測におけるパラメトリックモデルと非パラメトリックモデルの利用について検討した。
論文 参考訳（メタデータ） (2021-08-22T17:46:36Z) - Autoformer: Decomposition Transformers with Auto-Correlation for
Long-Term Series Forecasting [68.86835407617778]
Autoformerは、Auto-Correlation機構を備えた、新しい分解アーキテクチャである。
長期的な予測では、Autoformerは6つのベンチマークで相対的に改善され、最先端の精度が得られる。
論文 参考訳（メタデータ） (2021-06-24T13:43:43Z) - Enforcing Policy Feasibility Constraints through Differentiable
Projection for Energy Optimization [57.88118988775461]
本稿では,ニューラルポリシー内での凸操作制約を強制するために,PROF(Projected Feasibility)を提案する。
エネルギー効率の高い建築操作とインバータ制御の2つの応用についてPROFを実証する。
論文 参考訳（メタデータ） (2021-05-19T01:58:10Z) - Investigating Underlying Drivers of Variability in Residential Energy
Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。
本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
論文 参考訳（メタデータ） (2021-02-16T16:56:27Z) - Multi-target normal behaviour models for wind farm condition monitoring [0.0]
本研究は、風力タービンの正常な挙動を捉えるための新しいアプローチとして、マルチターゲットモデルについて検討する。
マルチターゲットモデルが単一ターゲットモデルと比較して有利であることから,実用条件監視のコストと労力を削減できることが判明した。
論文 参考訳（メタデータ） (2020-12-05T16:46:35Z)
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。