論文の概要: Artificial Intelligence Based Prognostic Maintenance of Renewable Energy
Systems: A Review of Techniques, Challenges, and Future Research Directions
- arxiv url: http://arxiv.org/abs/2104.12561v1
- Date: Tue, 20 Apr 2021 11:41:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-04 05:25:01.104608
- Title: Artificial Intelligence Based Prognostic Maintenance of Renewable Energy
Systems: A Review of Techniques, Challenges, and Future Research Directions
- Title（参考訳）: 人工知能による再生可能エネルギーシステムの予測的保守:技術・課題・今後の研究方向のレビュー
- Authors: Yasir Saleem Afridi, Kashif Ahmad, Laiq Hassan
- Abstract要約: データ分析と機械学習(ML)技術は、これらの予後維持システムの全体的な効率を高めるために使われています。
本稿では,文献に報告されている予測/予測保守フレームワークの概要について述べる。
MLベースのソリューションの重要な側面として、ドメインで一般的に使用されるデータセットについても議論します。
- 参考スコア（独自算出の注目度）: 3.1123064748686287
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Since the depletion of fossil fuels, the world has started to rely heavily on
renewable sources of energy. With every passing year, our dependency on the
renewable sources of energy is increasing exponentially. As a result, complex
and hybrid generation systems are being designed and developed to meet the
energy demands and ensure energy security in a country. The continual
improvement in the technology and an effort towards the provision of
uninterrupted power to the end-users is strongly dependent on an effective and
fault resilient Operation and Maintenance (O&M) system. Ingenious algorithms
and techniques are hence been introduced aiming to minimize equipment and plant
downtime. Efforts are being made to develop robust Prognostic Maintenance
systems that can identify the faults before they occur. To this aim, complex
Data Analytics and Machine Learning (ML) techniques are being used to increase
the overall efficiency of these prognostic maintenance systems.
This paper provides an overview of the predictive/prognostic maintenance
frameworks reported in the literature. We pay a particular focus to the
approaches, challenges including data-related issues, such as the availability
and quality of the data and data auditing, feature engineering,
interpretability, and security issues. Being a key aspect of ML-based
solutions, we also discuss some of the commonly used publicly available
datasets in the domain. The paper also identifies key future research
directions. We believe such detailed analysis will provide a baseline for
future research in the domain.
- Abstract（参考訳）: 化石燃料の枯渇以来、世界は再生可能エネルギー源に大きく依存し始めている。
毎年、再生可能エネルギー源への依存は指数関数的に増加しています。
その結果、複雑でハイブリッドな発電システムは、エネルギー需要を満たし、国家のエネルギーセキュリティを確保するために設計・開発されている。
この技術の継続的な改善とエンドユーザーへの不断の電力供給への取り組みは、効果的で耐障害性のある運転維持システム(O&M)に強く依存している。
そのため、設備の最小化とダウンタイムの植え付けを目的として、創発的なアルゴリズムと技術が導入されている。
障害発生前に障害を識別可能な堅牢な予後維持システムの開発が進められている。
この目的のために、複雑なデータ分析と機械学習(ML)技術が、これらの予後維持システムの全体的な効率を高めるために使われています。
本稿では,文献で報告されている予測・予測保守フレームワークの概要について述べる。
私たちは特に、データとデータ監査の可用性と品質、機能エンジニアリング、解釈可能性、セキュリティ問題といったデータ関連の問題を含むアプローチや課題に焦点を合わせています。
MLベースのソリューションのキーとなる側面として、ドメインで一般的に使用されている公開データセットについても論じます。
この論文は将来の研究の方向性も示している。
このような詳細な分析が今後の研究のベースラインになると考えています。
関連論文リスト
- Power Plays: Unleashing Machine Learning Magic in Smart Grids [0.0]
機械学習アルゴリズムは、スマートメーター、センサー、その他のグリッドコンポーネントから大量のデータを分析して、エネルギー分布の最適化、需要予測、潜在的な障害を示す不規則性の検出を行う。
予測モデルの使用は、機器の故障を予測し、エネルギー供給の信頼性を向上させるのに役立つ。
しかしながら、これらのテクノロジの展開は、データのプライバシやセキュリティ、堅牢なインフラストラクチャの必要性に関する課題も引き起こす。
論文 参考訳（メタデータ） (2024-10-20T15:39:08Z) - Present and Future of AI in Renewable Energy Domain : A Comprehensive Survey [0.0]
人工知能(AI)は、様々な産業におけるプロセスを合理化するための重要な手段となっている。
現代の電力システムの再生可能エネルギー(RE)を支援するため、9つのAIベースの戦略がここで特定されている。
この研究は、再生可能エネルギー生成にAI技術を使用すること、再生可能エネルギー予測にAIを活用すること、エネルギーシステムの最適化という3つの主要なトピックについても論じている。
論文 参考訳（メタデータ） (2024-06-22T04:36:09Z) - Generative AI for Secure and Privacy-Preserving Mobile Crowdsensing [74.58071278710896]
生成AIは、学術分野と産業分野の両方から多くの注目を集めている。
セキュアでプライバシ保護のモバイルクラウドセンシング(SPPMCS)は、データ収集/取得に広く応用されている。
論文 参考訳（メタデータ） (2024-05-17T04:00:58Z) - Exploring Artificial Intelligence Methods for Energy Prediction in
Healthcare Facilities: An In-Depth Extended Systematic Review [0.9208007322096533]
本研究は, 病院ビルのエネルギー消費予測に機械学習と人工知能技術を用いた論文のPRISMAフレームワークを用いた文献レビューを行った。
このレビューでは、エネルギー予測に影響を与えるさまざまなデータ入力が明らかにされ、占有率と気象データが重要な予測因子として出現した。
この発見は、病院のエネルギー消費を最適化するAIの巨大な可能性を浮き彫りにしただけでなく、より包括的できめ細かい研究の必要性も浮き彫りにしている。
論文 参考訳（メタデータ） (2023-11-27T13:30:20Z) - On the Opportunities of Green Computing: A Survey [80.21955522431168]
人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。
高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。
コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
論文 参考訳（メタデータ） (2023-11-01T11:16:41Z) - A Survey of Federated Unlearning: A Taxonomy, Challenges and Future
Directions [71.16718184611673]
プライバシ保護のためのフェデレートラーニング(FL)の進化により、忘れられる権利を実装する必要性が高まっている。
選択的な忘れ方の実装は、その分散した性質のため、FLでは特に困難である。
Federated Unlearning(FU)は、データプライバシの必要性の増加に対応する戦略的ソリューションとして登場した。
論文 参考訳（メタデータ） (2023-10-30T01:34:33Z) - AI for IT Operations (AIOps) on Cloud Platforms: Reviews, Opportunities
and Challenges [60.56413461109281]
IT運用のための人工知能(AIOps)は、AIのパワーとIT運用プロセスが生成するビッグデータを組み合わせることを目的としている。
我々は、IT運用活動が発信する重要なデータの種類、分析における規模と課題、そしてどのように役立つかについて深く議論する。
主要なAIOpsタスクは、インシデント検出、障害予測、根本原因分析、自動アクションに分類します。
論文 参考訳（メタデータ） (2023-04-10T15:38:12Z) - Automated Extraction of Energy Systems Information from Remotely Sensed
Data: A Review and Analysis [10.137044808866053]
高品質なエネルギーシステム情報は、エネルギーシステムの研究、モデリング、意思決定にとって重要な入力である。
近年、リモートセンシングされたデータは、エネルギーシステム情報の豊富な情報源として浮上している。
機械学習の最近の進歩は、有用な情報の自動化と迅速な抽出を可能にしている。
論文 参考訳（メタデータ） (2022-02-18T14:38:49Z) - Applications of physics-informed scientific machine learning in
subsurface science: A survey [64.0476282000118]
地球系は、化石エネルギー探査、廃棄物処理、地質炭素隔離、再生可能エネルギー生成などの人間の活動によって変化した地質形成です。
したがって、ジオシステムの責任ある使用と探索は、効率的な監視、リスクアセスメント、および実用的な実装のための意思決定支援ツールに依存するジオシステムガバナンスにとって重要です。
近年の機械学習アルゴリズムと新しいセンシング技術の急速な進歩は、地下研究コミュニティがジオシステムガバナンスの有効性と透明性を向上させる新しい機会を提示しています。
論文 参考訳（メタデータ） (2021-04-10T13:40:22Z) - Artificial Intelligence based Anomaly Detection of Energy Consumption in
Buildings: A Review, Current Trends and New Perspectives [2.1874189959020423]
本稿では,人工知能を用いたエネルギー消費構築のための,既存の異常検出フレームワークの詳細なレビューを行う。
著者の知識を最大限に活用するために、エネルギー消費の構築における異常検出について論じる最初のレビュー記事である。
論文 参考訳（メタデータ） (2020-10-09T13:28:34Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。