論文の概要: Wind Power Projection using Weather Forecasts by Novel Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2108.09797v1
• Date: Sun, 22 Aug 2021 17:46:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-24 16:02:43.478180
• Title: Wind Power Projection using Weather Forecasts by Novel Deep Neural Networks
• Title（参考訳）: 新しい深部ニューラルネットワークによる気象予報を用いた風力予測
• Authors: Alagappan Swaminathan, Venkatakrishnan Sutharsan, Tamilselvi Selvaraj
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: The transition from conventional methods of energy production to renewable energy production necessitates better prediction models of the upcoming supply of renewable energy. In wind power production, error in forecasting production is impossible to negate owing to the intermittence of wind. For successful power grid integration, it is crucial to understand the uncertainties that arise in predicting wind power production and use this information to build an accurate and reliable forecast. This can be achieved by observing the fluctuations in wind power production with changes in different parameters such as wind speed, temperature, and wind direction, and deriving functional dependencies for the same. Using optimized machine learning algorithms, it is possible to find obscured patterns in the observations and obtain meaningful data, which can then be used to accurately predict wind power requirements . Utilizing the required data provided by the Gamesa's wind farm at Bableshwar, the paper explores the use of both parametric and the non-parametric models for calculating wind power prediction using power curves. The obtained results are subject to comparison to better understand the accuracy of the utilized models and to determine the most suitable model for predicting wind power production based on the given data set.
• Abstract（参考訳）: 従来のエネルギー生産方法から再生可能エネルギー生産への移行は、今後の再生可能エネルギー供給の予測モデルを改善する必要がある。 風力発電では、風の断続性のため、予測生産における誤差を否定することは不可能である。 電力グリッドの統合を成功させるためには、風力発電の予測に生じる不確実性を理解し、この情報を用いて正確で信頼性の高い予測を構築することが不可欠である。 これは風速、温度、風方向などの異なるパラメータの変更によって風力発電の変動を観測し、それに対する機能依存を導出することで達成できる。 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、風力要求を正確に予測することができる。 BableshwarのGamesa's Wind Farmが提供する必要なデータを利用することで、電力曲線を用いた風力予測のパラメトリックモデルと非パラメトリックモデルの両方を探索する。 得られた結果は, 使用済みモデルの精度をよりよく理解するために比較され, 与えられたデータセットに基づいて風力発電の予測に最も適したモデルが決定される。

関連論文リスト

• Bias correction of wind power forecasts with SCADA data and continuous learning [0.0]
  我々は,4つの機械学習に基づく風力予測モデルを提示し,評価し,比較する。 本モデルは,65基の風力タービンからなるウィンドパークのデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2024-02-21T16:31:45Z)
• 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)
• 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)
• 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)
• An Energy-Based Prior for Generative Saliency [62.79775297611203]
  本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。 生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。 実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
  論文  参考訳（メタデータ） (2022-04-19T10:51:00Z)
• 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)
• 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。