Fugu-MT 論文翻訳(概要): Wind speed forecast using random forest learning method

論文の概要: Wind speed forecast using random forest learning method

arxiv url: http://arxiv.org/abs/2203.14909v1
Date: Wed, 23 Mar 2022 12:39:36 GMT
ステータス: 処理完了
システム内更新日: 2022-04-03 17:48:37.659124
Title: Wind speed forecast using random forest learning method
Title（参考訳）: ランダム森林学習法を用いた風速予測
Authors: G. V. Drisya, Valsaraj P., K. Asokan, K. Satheesh Kumar
Abstract要約: 風速変動を予測するために,ランダム森林回帰と呼ばれる時系列機械学習手法を提案する。相互情報の計算値と自己相関は、風速値が過去のデータに依存していることを示す。 2週間のデータでトレーニングされたモデルは、信頼できる短期予測を最大3年先まで行うために使用することができる。
参考スコア（独自算出の注目度）: 0.6882042556551611
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Wind speed forecasting models and their application to wind farm operations are attaining remarkable attention in the literature because of its benefits as a clean energy source. In this paper, we suggested the time series machine learning approach called random forest regression for predicting wind speed variations. The computed values of mutual information and auto-correlation shows that wind speed values depend on the past data up to 12 hours. The random forest model was trained using ensemble from two weeks data with previous 12 hours values as input for every value. The computed root mean square error shows that model trained with two weeks data can be employed to make reliable short-term predictions up to three years ahead.
Abstract（参考訳）: 風速予測モデルとその風力発電事業への応用は、クリーンエネルギー源としての利点から、文学において顕著な注目を集めている。本稿では,風速変動を予測するために,ランダム森林回帰と呼ばれる時系列機械学習手法を提案する。相互情報と自己相関の計算値から, 風速値は12時間までの過去のデータに依存することがわかった。ランダムフォレストモデルは、2週間のデータからアンサンブルを用いて訓練され、各値の入力として過去12時間の値が与えられた。計算された根平均二乗誤差は、2週間のデータで訓練されたモデルを3年以内の信頼性の高い短期予測に利用することができることを示している。

関連論文リスト

Novel application of Relief Algorithm in cascaded artificial neural network to predict wind speed for wind power resource assessment in India [0.0]
本研究の結果, 従来のモデルと比較して, ANNの方が精度がよいことがわかった。本論文の目的は2つある: 風力発電のためのANNの広範なレビューとWS予測を行う。風速と風速の予測値と測定値とを比較した根平均二乗誤差(RMSE)は,それぞれ1.44m/sと1.49m/sであることがわかった。
論文参考訳（メタデータ） (2024-01-25T10:39:40Z)
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)
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)
Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文参考訳（メタデータ） (2022-11-03T17:19:43Z)
Wind power predictions from nowcasts to 4-hour forecasts: a learning approach with variable selection [1.4623784198777086]
風速と風力の短期予測(毎時10分から4時間前)について検討する。風力予測には、間接的アプローチ(風速予測はパワーカーブを通過する)と間接的アプローチ(直接的風力予測)を比較する。
論文参考訳（メタデータ） (2022-04-20T10:09:22Z)
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)
FourCastNet: A Global Data-driven High-resolution Weather Model using Adaptive Fourier Neural Operators [45.520430157112884]
FourCastNetは、表面風速、降水量、大気水蒸気などの高解像度で高速な変数を正確に予測する。風力エネルギー資源の計画、熱帯のサイクロン、熱帯のサイクロン、大気の川などの極端な気象現象の予測に重要な意味を持つ。 FourCastNetは2秒未満で1週間の予測を生成する。
論文参考訳（メタデータ） (2022-02-22T22:19:35Z)
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)
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。