Fugu-MT 論文翻訳(概要): Deep Spatio-Temporal Wind Power Forecasting

論文の概要: Deep Spatio-Temporal Wind Power Forecasting

arxiv url: http://arxiv.org/abs/2109.14530v1
Date: Wed, 29 Sep 2021 16:26:10 GMT
ステータス: 処理完了
システム内更新日: 2021-09-30 14:36:44.758761
Title: Deep Spatio-Temporal Wind Power Forecasting
Title（参考訳）: 深部時空間風力予測
Authors: Jiangyuan Li and Mohammadreza Armandpour
Abstract要約: 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。
参考スコア（独自算出の注目度）: 4.219722822139438
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Wind power forecasting has drawn increasing attention among researchers as the consumption of renewable energy grows. In this paper, we develop a deep learning approach based on encoder-decoder structure. Our model forecasts wind power generated by a wind turbine using its spatial location relative to other turbines and historical wind speed data. In this way, we effectively integrate spatial dependency and temporal trends to make turbine-specific predictions. The advantages of our method over existing work can be summarized as 1) it directly predicts wind power based on historical wind speed, without the need for prediction of wind speed first, and then using a transformation; 2) it can effectively capture long-term dependency 3) our model is more scalable and efficient compared with other deep learning based methods. We demonstrate the efficacy of our model on the benchmarks real-world datasets.
Abstract（参考訳）: 再生可能エネルギーの消費が増加するにつれて、風力発電の予測が研究者の間で注目を集めている。本稿では,エンコーダ・デコーダ構造に基づく深層学習手法を提案する。本モデルでは,風力タービンが生み出す風力を,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。このように、タービン固有の予測を行うために、空間依存と時間的傾向を効果的に統合する。既存の作業に対する我々の方法の利点は要約できる。 1) 風速の予測をまず必要とせず, 過去の風速に基づいて直接風力を予測する。 2)長期依存を効果的に捉えることができる 3)我々のモデルは,他の深層学習法に比べてスケーラブルで効率的である。本モデルの有効性をベンチマーク実世界のデータセットで実証する。

関連論文リスト

FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。日時から季節時の予測誤差成長に関するアブレーション実験
論文参考訳（メタデータ） (2024-11-15T13:44:37Z)
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)
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)
An unsupervised learning approach for predicting wind farm power and downstream wakes using weather patterns [0.0]
我々は,教師なしクラスタリング手法から得られた気象パターンと数値的な天気予報モデルを組み合わせた新しい風力エネルギーワークフローを開発した。我々の長期予測は1年間のWRFシミュレーションと一致するが、計算時間は2%未満であることを示す。提案手法は、高速で正確で柔軟な手法を提供することにより、出力および下流ファームウェイの複数年間の予測を容易にする。
論文参考訳（メタデータ） (2023-02-12T10:05:25Z)
Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
水中音響から風速時系列を検索するための深層学習手法を提案する。我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
論文参考訳（メタデータ） (2022-08-18T15:27:40Z)
Knowledge distillation with error-correcting transfer learning for wind power prediction [6.385624548310884]
本稿では,タービンパワー予測のための数学的基盤を持つ新しい枠組みを提案する。良質な知識蒸留と伝達学習パラメータチューニングに基づいて開発された。提案手法は, 良好な知識蒸留と伝達学習パラメータチューニングに基づいて開発され, 競争相手の3.3%から23.9%に向上した。
論文参考訳（メタデータ） (2022-04-01T18:31:47Z)
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)
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)
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)

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。