論文の概要: Knowledge distillation with error-correcting transfer learning for wind
power prediction
- arxiv url: http://arxiv.org/abs/2204.00649v1
- Date: Fri, 1 Apr 2022 18:31:47 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-05 16:26:11.333871
- Title: Knowledge distillation with error-correcting transfer learning for wind
power prediction
- Title(参考訳): 風力予測のための誤差補正転送学習による知識蒸留
- Authors: Hao Chen
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 6.385624548310884
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Wind power prediction, especially for turbines, is vital for the operation,
controllability, and economy of electricity companies. Hybrid methodologies
combining advanced data science with weather forecasting have been
incrementally applied to the predictions. Nevertheless, individually modeling
massive turbines from scratch and downscaling weather forecasts to turbine size
are neither easy nor economical. Aiming at it, this paper proposes a novel
framework with mathematical underpinnings for turbine power prediction. This
framework is the first time to incorporate knowledge distillation into energy
forecasting, enabling accurate and economical constructions of turbine models
by learning knowledge from the well-established park model. Besides, park-scale
weather forecasts non-explicitly are mapped to turbines by transfer learning of
predicted power errors, achieving model correction for better performance. The
proposed framework is deployed on five turbines featuring various terrains in
an Arctic wind park, the results are evaluated against the competitors of
ablation investigation. The major findings reveal that the proposed framework,
developed on favorable knowledge distillation and transfer learning parameters
tuning, yields performance boosts from 3.3 % to 23.9 % over its competitors.
This advantage also exists in terms of wind energy physics and computing
efficiency, which are verified by the prediction quality rate and calculation
time.
- Abstract(参考訳): 風力発電の予測は、特にタービンにとって、電力会社の運用、制御可能性、経済に不可欠である。
予報に先進データ科学と天気予報を組み合わせたハイブリッド手法を漸進的に応用した。
それでも個別に巨大なタービンをスクラッチからモデル化し、天気予報をタービンのサイズにダウンスケールすることは容易でも経済的でもない。
そこで本稿では,タービン動力予測のための数学的基礎を持つ新しい枠組みを提案する。
この枠組みは、知識蒸留をエネルギー予測に取り入れ、確立された公園モデルから知識を学習することでタービンモデルの正確かつ経済的構築を可能にした最初の例である。
さらに、予測電力誤差の伝達学習により、非明示的な公園規模の天気予報をタービンにマッピングし、モデル補正を行い、性能を向上する。
提案手法は,北極風公園の地形を特徴とする5つのタービンに配置し,アブレーション調査の競合相手に対して評価を行った。
提案したフレームワークは, 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。
この利点は風力エネルギー物理学や計算効率の観点からも存在し、予測品質率と計算時間によって検証される。
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) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - Global Transformer Architecture for Indoor Room Temperature Forecasting [49.32130498861987]
本研究は,多室ビルにおける室内温度予測のためのグローバルトランスフォーマーアーキテクチャを提案する。
エネルギー消費を最適化し、HVACシステムに関連する温室効果ガス排出を削減することを目的としている。
本研究は,マルチルームビルにおける室内温度予測にトランスフォーマーアーキテクチャを適用した最初の事例である。
論文 参考訳(メタデータ) (2023-10-31T14:09:32Z) - 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) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-12-24T18:15:39Z) - 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) - 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) - 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) - Calibration of wind speed ensemble forecasts for power generation [0.0]
過去数十年間、風力発電は欧州連合で2番目に大きな電力供給源となり、電力需要の16%を占めた。
そのボラティリティのため、風力エネルギーを電気グリッドにうまく統合するには、正確な短距離風力予測が必要である。
生のアンサンブルと比較すると,ポストプロセッシングは常に確率的および精度の高い点予測のキャリブレーションを改善する。
論文 参考訳(メタデータ) (2021-04-30T11:18:03Z) - 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。