論文の概要: Uncertainty Set Prediction of Aggregated Wind Power Generation based on Bayesian LSTM and Spatio-Temporal Analysis

• arxiv url: http://arxiv.org/abs/2110.03358v1
• Date: Thu, 7 Oct 2021 11:57:16 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-08 15:20:57.617990
• Title: Uncertainty Set Prediction of Aggregated Wind Power Generation based on Bayesian LSTM and Spatio-Temporal Analysis
• Title（参考訳）: ベイズ型lstmと時空間解析に基づく集束風力発電の不確かさセット予測
• Authors: Xiaopeng Li, Jiang Wu, Zhanbo Xu, Kun Liu, Jun Yu, Xiaohong Guan
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 42.68418705495523
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Aggregated stochastic characteristics of geographically distributed wind generation will provide valuable information for secured and economical system operation in electricity markets. This paper focuses on the uncertainty set prediction of the aggregated generation of geographically distributed wind farms. A Spatio-temporal model is proposed to learn the dynamic features from partial observation in near-surface wind fields of neighboring wind farms. We use Bayesian LSTM, a probabilistic prediction model, to obtain the uncertainty set of the generation in individual wind farms. Then, spatial correlation between different wind farms is presented to correct the output results. Numerical testing results based on the actual data with 6 wind farms in northwest China show that the uncertainty set of aggregated wind generation of distributed wind farms is less volatile than that of a single wind farm.
• Abstract（参考訳）: 地理的に分布する風力発電の総合確率特性は、電力市場における安全かつ経済的なシステム運用に有用な情報を提供する。 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。 本研究では,確率論的予測モデルであるベイズLSTMを用いて,風力発電における発生の不確実性集合を求める。 そして、異なる風力発電所間の空間的相関を示し、出力結果を補正する。 中国北西部の6か所の風力発電所の実際のデータに基づく数値試験の結果、分散型風力発電所の集成風力発電の不確実性は1か所の風力発電所よりも低いことが示された。

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)
• Ultra-short-term multi-step wind speed prediction for wind farms based on adaptive noise reduction technology and temporal convolutional network [0.0]
  本研究では、データノイズ低減技術、時間畳み込みネットワーク(TCN)、ゲートリカレントユニット(GRU)に基づく新しい風速予測モデルを提案する。 提案モデルは山東省の3つの風力発電所で検証された。
  論文  参考訳（メタデータ） (2023-11-27T03:53:19Z)
• Asset Bundling for Wind Power Forecasting [15.393565192962482]
  本研究は,アセットバンドル,マシンラーニング,予測和解技術を統合したBPR( Bundle-Predict-Reconcile)フレームワークを提案する。 BPRフレームワークはまず中間階層レベル(バンドル)を学習し、続いて資産、バンドル、フリートレベルでの風力発電を予測し、最後にすべての予測を整合性を確保するために調整する。
  論文  参考訳（メタデータ） (2023-09-28T14:56:34Z)
• 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)
• 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)
• Machine Intelligent Techniques for Ramp Event Prediction in Offshore and Onshore Wind Farms [0.0]
  オフショアおよびオフショア風力発電所の風力資源評価は、ランプイベントの性質を正確に予測し分析するのに役立つ。 短時間の大規模なランプイベントは、電力網に接続された風力発電所に損傷を与える可能性がある。
  論文  参考訳（メタデータ） (2020-11-28T21:21:42Z)
• 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。