論文の概要: Predictive models for wind speed using artificial intelligence and
copula
- arxiv url: http://arxiv.org/abs/2107.06182v1
- Date: Tue, 6 Jul 2021 16:18:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-18 14:07:22.876448
- Title: Predictive models for wind speed using artificial intelligence and
copula
- Title（参考訳）: 人工知能とcopulaを用いた風速予測モデル
- Authors: Md Amimul Ehsan
- Abstract要約: 本研究は,風力発電計画の簡易化を目的とした風速予測と実現可能性研究の2つの目的を考察した。
その結果、長期記憶(LSTM)は97.8%の精度で他のモデルより優れていることが判明した。
風速依存性の不確実性に関するいくつかの知見に対処した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electricity generation from burning fossil fuels is one of the major
contributors to global warming. Renewable energy sources are a viable
alternative to produce electrical energy and to reduce the emission from the
power industry. These energy sources are the building blocks of green energy,
which all have different characteristics. Their availabilities are also
diverse, depending on geographical locations and other parameters. Low
implementation cost and distributed availability all over the world uplifts
their popularity exponentially. Therefore, it has unlocked opportunities for
consumers to produce electricity locally and use it on-site, which reduces
dependency on centralized utility companies. The research considers two main
objectives: the prediction of wind speed that simplifies wind farm planning and
feasibility study. Secondly, the need to understand the dependency structure of
the wind speeds of multiple distant locations. To address the first objective,
twelve artificial intelligence algorithms were used for wind speed prediction
from collected meteorological parameters. The model performances were compared
to determine the wind speed prediction accuracy. The results show a deep
learning approach, long short-term memory (LSTM) outperforms other models with
the highest accuracy of 97.8%. For dependency, a multivariate cumulative
distribution function, Copula, was used to find the joint distribution of two
or more distant location wind speeds, followed by a case study. We found that
the appropriate copula family and the parameters vary based on the distance in
between. For the case study, Joe-Frank (BB8) copula shows an efficient joint
distribution fit for a wind speed pair with a standard error of 0.0094.
Finally, some insights about the uncertainty aspects of wind speed dependency
were addressed.
- Abstract（参考訳）: 化石燃料を燃やすことによる発電は地球温暖化の主な要因の1つである。
再生可能エネルギー源は、電力を生産し、電力産業からの排出を減らすための代替手段である。
これらのエネルギー源は、すべて異なる特性を持つ緑のエネルギーの構成要素である。
その有効性は地理的な場所やその他のパラメータによっても多様である。
実装コストの低さと世界中の分散可用性は、彼らの人気を指数関数的に高めている。
そのため、消費者が電気を現地で生産し、現場で使用する機会を開放し、中央集権企業への依存を減らした。
この研究は、風速予測と風力発電計画の簡素化と実現可能性研究の2つの主な目的を考察している。
第二に、複数の離れた場所の風速の依存性構造を理解する必要がある。
最初の目的に対処するために、12の人工知能アルゴリズムが、気象パラメータの収集から風速予測に使用された。
風速予測精度を決定するために, モデル性能を比較した。
その結果、長期記憶(LSTM)は97.8%の精度で他のモデルより優れていることが判明した。
多変量累積分布関数であるCopulaを用いて,2つ以上の風速の連成分布を推定し,その後にケーススタディを行った。
その結果, 適切なコプラ族とパラメータは, 距離によって異なることがわかった。
ケーススタディでは、Joe-Frank(BB8)コプラは標準誤差0.0094の風速対に適した効率的な関節分布を示す。
最後に,風速依存性の不確実性について考察した。
関連論文リスト
- Short-term Wind Speed Forecasting for Power Integration in Smart Grids based on Hybrid LSSVM-SVMD Method [0.0]
風力エネルギーは、最も広く利用されている再生可能エネルギー資源の1つとなっている。
グリッドシステムへの風力統合の成功は、正確な風速予測モデルに基づいている。
本稿では,短期風速予測のためのハイブリッド機械学習手法を提案する。
論文 参考訳（メタデータ） (2024-08-30T10:35:59Z) - Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。
ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。
このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文 参考訳（メタデータ） (2023-09-24T19:57:22Z) - Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。
本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。
評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
論文 参考訳（メタデータ） (2023-07-14T06:50:02Z) - Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal
Transformer [112.12271800369741]
風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。
正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。
既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
論文 参考訳（メタデータ） (2023-05-30T04:03:15Z) - 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) - 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) - Spatio-temporal estimation of wind speed and wind power using machine
learning: predictions, uncertainty and technical potential [0.0]
ここで提示される風力推定は、風力発電量の増加を伴うエネルギーシステムの設計を支援するためのプランナーにとって重要な入力である。
この手法は、スイスのハブ高さ100メートルのタービンに対して250ドル(約2,400円)のグリッド上の時間風力ポテンシャルの研究に応用される。
論文 参考訳（メタデータ） (2021-07-29T09:52:36Z) - Performance Comparison of Different Machine Learning Algorithms on the
Prediction of Wind Turbine Power Generation [0.0]
風力の浸透は電力システムの配給および計画の難しさそして複雑さを高めました。
電力のバランスをとるためには,高精度な風力予測を行う必要がある。
論文 参考訳（メタデータ） (2021-05-11T17:02:24Z) - Wind Speed Prediction and Visualization Using Long Short-Term Memory
Networks (LSTM) [1.8495489370732452]
本稿では,風力発電計画と実現可能性研究を簡易化する風速予測手法を提案する。
その結果、長期記憶(LSTM)は97.8%の精度で他のモデルより優れていることが判明した。
論文 参考訳（メタデータ） (2020-05-22T17:51:13Z)
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。