論文の概要: Predicting Fuel Consumption in Power Generation Plants using Machine
Learning and Neural Networks
- arxiv url: http://arxiv.org/abs/2202.05591v1
- Date: Fri, 11 Feb 2022 13:21:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-15 00:06:42.493891
- Title: Predicting Fuel Consumption in Power Generation Plants using Machine
Learning and Neural Networks
- Title(参考訳): 機械学習とニューラルネットワークを用いた発電プラントの燃費予測
- Authors: Gabin Maxime Nguegnang, Marcellin Atemkeng, Theophilus Ansah-Narh,
Rockefeller Rockefeller, Gabin Maxime Nguegnang, Marco Andrea Garuti
- Abstract要約: 国有グリッドからの発電の不安定さは、産業(例えば、電気通信)が事業を運営するためにプラント発電機に依存するようになった。
二次発電機は、システムの内外への燃料漏れや、燃料レベルゲージの摂動など、さらなる課題を発生させる。
社会経済的要因による燃料価格の上昇に伴い、過剰な燃料消費と燃料ピラージュが問題となる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The instability of power generation from national grids has led industries
(e.g., telecommunication) to rely on plant generators to run their businesses.
However, these secondary generators create additional challenges such as fuel
leakages in and out of the system and perturbations in the fuel level gauges.
Consequently, telecommunication operators have been involved in a constant need
for fuel to supply diesel generators. With the increase in fuel prices due to
socio-economic factors, excessive fuel consumption and fuel pilferage become a
problem, and this affects the smooth run of the network companies. In this
work, we compared four machine learning algorithms (i.e. Gradient Boosting,
Random Forest, Neural Network, and Lasso) to predict the amount of fuel
consumed by a power generation plant. After evaluating the predictive accuracy
of these models, the Gradient Boosting model out-perform the other three
regressor models with the highest Nash efficiency value of 99.1%.
- Abstract(参考訳): 電力網からの発電の不安定さにより、産業(電気通信など)はプラント発電機に依存して事業を営むようになった。
しかし、これらの二次発電機は、システムの内外への燃料漏れや燃料レベルゲージの摂動など、さらなる課題を生んでいる。
そのため、電気通信事業者はディーゼル発電機の供給に常に燃料を必要としている。
社会経済的要因による燃料価格の上昇に伴い、過剰な燃料消費と燃料の投下が問題となり、ネットワーク企業の円滑な運営に影響を及ぼす。
本研究では,4つの機械学習アルゴリズム(勾配ブースティング,ランダムフォレスト,ニューラルネットワーク,lasso)を比較し,発電プラントで消費される燃料量を予測する。
これらのモデルの予測精度を評価すると、勾配ブースティングモデルは、他の3つのレグレッサーモデルよりも高いnash効率値99.1%の精度を持つ。
関連論文リスト
- Advancing Gasoline Consumption Forecasting: A Novel Hybrid Model Integrating Transformers, LSTM, and CNN [0.0]
イランには豊富な炭化水素資源が供給されており、世界のエネルギー環境において重要な役割を担っている。
ガソリンは重要な燃料であり、国の交通セクターを大いに支えている。
本研究では,ハイブリッドトランスフォーマーLSTM-CNNモデルを用いて,毎月のガソリン消費量を予測する新しい手法を提案する。
論文 参考訳(メタデータ) (2024-10-20T22:33:00Z) - Optimal Power Flow in Highly Renewable Power System Based on Attention
Neural Networks [43.19619268243832]
風や太陽のような再生可能エネルギー源の統合は、その固有の変動性のために課題を提起する。
この変動は、主に気象条件の変化によって引き起こされるものであり、電力設定の頻繁な再調整を必要とする。
我々は、模倣学習と過去のヨーロッパの気象データセットを用いて訓練された最先端の物理インフォームド機械学習手法を提案する。
論文 参考訳(メタデータ) (2023-11-23T12:02:58Z) - Federated Reinforcement Learning for Electric Vehicles Charging Control
on Distribution Networks [42.04263644600909]
マルチエージェント深部強化学習(MADRL)はEV充電制御において有効であることが証明されている。
既存のMADRLベースのアプローチでは、配電ネットワークにおけるEV充電/放電の自然な電力フローを考慮できない。
本稿では,マルチEV充電/放電と最適電力流で動作する放射分布ネットワーク(RDN)を組み合わせた新しい手法を提案する。
論文 参考訳(メタデータ) (2023-08-17T05:34:46Z) - A Lifetime Extended Energy Management Strategy for Fuel Cell Hybrid
Electric Vehicles via Self-Learning Fuzzy Reinforcement Learning [0.0]
燃料電池ハイブリッド電気自動車のファジィ強化学習に基づくエネルギー管理戦略を提案する。
Fuzzy Q-learningはモデルなしの強化学習であり、環境と対話することで学習することができる。
ファジィ論理を適用してQラーニングの値関数を近似すると、連続状態やアクション空間の問題を解くことができる。
論文 参考訳(メタデータ) (2023-02-13T10:20:21Z) - Power Grid Congestion Management via Topology Optimization with
AlphaZero [0.27998963147546135]
本稿では,AlphaZeroをベースとしたグリッドトポロジ最適化手法を提案する。
WCCI 2022ではL2RPN(Learning to Run a Power Network)コンペで1位にランクインした。
論文 参考訳(メタデータ) (2022-11-10T14:39:28Z) - Learning Probabilistic Models from Generator Latent Spaces with Hat EBM [81.35199221254763]
本研究では、エネルギーベースモデル(EBM)の基礎として、任意のジェネレータネットワークを使用する方法を提案する。
128x128解像度の非条件画像ネット合成,(2)既存の生成装置の出力の精細化,(3)非確率的生成装置を組み込んだ学習用EMMにおいて,提案手法の強い性能を示す。
論文 参考訳(メタデータ) (2022-10-29T03:55:34Z) - A Reinforcement Learning Approach for Electric Vehicle Routing Problem
with Vehicle-to-Grid Supply [2.6066825041242367]
EVルーティングに強化学習(RL)を用いたQuikRouteFinderを提案する。
RLの結果は混合整数線形プログラム(MILP)と遺伝的アルゴリズム(GA)のメタヒューリスティックスに基づく正確な定式化と比較される。
論文 参考訳(メタデータ) (2022-04-12T06:13:06Z) - An Energy Consumption Model for Electrical Vehicle Networks via Extended
Federated-learning [50.85048976506701]
本稿では,フェデレートラーニングモデルに基づく不安度を測る新しい手法を提案する。
バッテリー消費を推定し、車両ネットワークにエネルギー効率の高いルートプランニングを提供する。
論文 参考訳(メタデータ) (2021-11-13T15:03:44Z) - The impact of online machine-learning methods on long-term investment
decisions and generator utilization in electricity markets [69.68068088508505]
電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。
最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。
また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
論文 参考訳(メタデータ) (2021-03-07T11:28:54Z) - Interpretable Machine Learning Models for Predicting and Explaining
Vehicle Fuel Consumption Anomalies [2.28438857884398]
我々は,異常燃料消費の潜在的な原因を説明するために,教師なし異常検出技術,ドメイン知識,解釈可能な機械学習モデルを組み合わせる。
結果は、さまざまな種類の産業車両のディーゼル車やガソリン車に接続されたテレマティクス機器の実際のデータに基づいて評価される。
燃料の削減が達成できる可能性は35%である。
論文 参考訳(メタデータ) (2020-10-28T16:50:17Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳(メタデータ) (2020-02-21T02:14:38Z)
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。