論文の概要: Probabilistic Neural Network to Quantify Uncertainty of Wind Power Estimation

• arxiv url: http://arxiv.org/abs/2106.04656v1
• Date: Fri, 4 Jun 2021 19:15:53 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-15 11:01:13.773978
• Title: Probabilistic Neural Network to Quantify Uncertainty of Wind Power Estimation
• Title（参考訳）: 風力推定の不確かさを定量化する確率的ニューラルネットワーク
• Authors: Farzad Karami, Nasser Kehtarnavaz, Mario Rotea
• Abstract要約: モンテカルロ・ドロップアウトを用いた確率論的ニューラルネットワークは、パワーカーブ推定のモデル不確かさを定量化すると考えられる。 開発したネットワークは、性能を評価するのに有用なツールであるモデルとノイズの不確実性の両方をキャプチャする。
• 参考スコア（独自算出の注目度）: 3.4376560669160385
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Each year a growing number of wind farms are being added to power grids to generate electricity. The power curve of a wind turbine, which exhibits the relationship between generated power and wind speed, plays a major role in assessing the performance of a wind farm. Neural networks have been used for power curve estimation. However, they do not produce a confidence measure for their output, unless computationally prohibitive Bayesian methods are used. In this paper, a probabilistic neural network with Monte Carlo dropout is considered to quantify the model (epistemic) uncertainty of the power curve estimation. This approach offers a minimal increase in computational complexity over deterministic approaches. Furthermore, by incorporating a probabilistic loss function, the noise or aleatoric uncertainty in the data is estimated. The developed network captures both model and noise uncertainty which is found to be useful tools in assessing performance. Also, the developed network is compared with existing ones across a public domain dataset showing superior performance in terms of prediction accuracy.
• Abstract（参考訳）: 毎年、発電のために電力網に多くの風力発電所が追加されている。 発電電力と風速の関係を示す風力タービンの動力曲線は,風力発電の性能を評価する上で重要な役割を担っている。 ニューラルネットワークは電力曲線推定に使われている。 しかし、計算的に禁止されるベイズ法がない限り、出力に対する信頼度尺度は作成しない。 本稿では,モンテカルロ・ドロップアウトを用いた確率論的ニューラルネットワークを用いて,パワーカーブ推定のモデル(エピステミック)の不確かさを定量化する。 このアプローチは決定論的アプローチよりも計算複雑性を最小限に増やす。 さらに、確率的損失関数を組み込むことにより、データ中のノイズ又は不確かさを推定する。 開発したネットワークは、性能を評価する上で有用なツールであるモデルとノイズの不確実性の両方をキャプチャする。 また、開発したネットワークは、予測精度の点で優れたパフォーマンスを示すパブリックドメインデータセット全体の既存のネットワークと比較される。

関連論文リスト

• Enabling Uncertainty Estimation in Iterative Neural Networks [49.56171792062104]
  本研究では,アンサンブルのような手法よりもはるかに低い計算コストで最先端の見積もりを提供する不確実性推定手法を開発する。 航空画像における道路検出と2次元および3次元形状の空力特性の推定という2つの応用領域に組み込むことで,その実用的価値を実証する。
  論文  参考訳（メタデータ） (2024-03-25T13:06:31Z)
• Tractable Function-Space Variational Inference in Bayesian Neural Networks [72.97620734290139]
  ニューラルネットワークの予測不確かさを推定するための一般的なアプローチは、ネットワークパラメータに対する事前分布を定義することである。 本稿では,事前情報を組み込むスケーラブルな関数空間変動推論手法を提案する。 提案手法は,様々な予測タスクにおいて,最先端の不確実性評価と予測性能をもたらすことを示す。
  論文  参考訳（メタデータ） (2023-12-28T18:33:26Z)
• Prediction of wind turbines power with physics-informed neural networks and evidential uncertainty quantification [2.126171264016785]
  物理インフォームドニューラルネットワークを用いて、風力発電所の4基のタービンから得られた履歴データを再現する。 パワー, トルク, パワー係数の回帰モデルでは, 実データ, 物理式ともに精度が高いことがわかった。
  論文  参考訳（メタデータ） (2023-07-27T07:58:38Z)
• Physically Meaningful Uncertainty Quantification in Probabilistic Wind Turbine Power Curve Models as a Damage Sensitive Feature [0.0]
  風力曲線は風力タービンの構造的健康モニタリングの鍵となる部分である。 多くの確率的パワーカーブモデルは、物理的に意味がないという点において重要な制限を持つ。 本稿では、物理的に有意な確率的パワーカーブモデルを生成するために、2つの有界ガウス過程を用いて検討する。
  論文  参考訳（メタデータ） (2022-09-30T16:45:15Z)
• Variational Neural Networks [88.24021148516319]
  本稿では,変分ニューラルネットワーク(VNN)と呼ばれるニューラルネットワークにおける不確実性推定手法を提案する。 VNNは、学習可能なサブレイヤで入力を変換することで、レイヤの出力分布のパラメータを生成する。 不確実性評価実験において、VNNはモンテカルロ・ドロップアウトやベイズ・バイ・バックプロパゲーション法よりも優れた不確実性が得られることを示す。
  論文  参考訳（メタデータ） (2022-07-04T15:41:02Z)
• Bayesian neural networks for the probabilistic forecasting of wind direction and speed using ocean data [0.0]
  風速と方向の予測にはベイズニューラルネットワーク(BNN)を用いる。 我々のデータセットでは、北海のFINO1研究プラットフォームで記録された観測を用いています。 我々は,我々のネットワークによる風速と方向予測の精度と不確実性は,近隣のAlpha Ventus風力発電所の建設の影響を受けないことを結論した。
  論文  参考訳（メタデータ） (2022-06-14T15:57:14Z)
• NUQ: Nonparametric Uncertainty Quantification for Deterministic Neural Networks [151.03112356092575]
  本研究では,Nadaraya-Watson の条件付きラベル分布の非パラメトリック推定に基づく分類器の予測の不確かさの測定方法を示す。 種々の実世界の画像データセットにおける不確実性推定タスクにおいて,本手法の強い性能を示す。
  論文  参考訳（メタデータ） (2022-02-07T12:30:45Z)
• 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)
• Neural network interpretability for forecasting of aggregated renewable generation [0.0]
  太陽発電を予測するために集約されたプロシューマーが必要である。 本稿では,この問題を解決するために2つの解釈可能なニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-19T11:50:26Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• 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)

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。