論文の概要: Scientometric Review of Artificial Intelligence for Operations &
Maintenance of Wind Turbines: The Past, Present and Future
- arxiv url: http://arxiv.org/abs/2204.02360v1
- Date: Wed, 30 Mar 2022 21:42:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-10 10:36:08.956288
- Title: Scientometric Review of Artificial Intelligence for Operations &
Maintenance of Wind Turbines: The Past, Present and Future
- Title（参考訳）: 風力タービンの運転・保守のための人工知能のサイエントメトリー : 過去・現在・未来
- Authors: Joyjit Chatterjee, Nina Dethlefs
- Abstract要約: コンディションベースモニタリング(CBM)とタービンの性能評価・分析は、効率的な運転・保守の確保に不可欠である。
データ駆動による意思決定技術は、過去10年間に風力産業におけるこのようなO&Mタスクの急速な進化を目撃してきた。
私たちは、データ可用性と品質における現在の重要な課題、ブラックボックスに飽和したAIモデルの透明性の欠如、そして、リアルタイムな意思決定サポートのためのモデルをデプロイする際の一般的な問題について、未来と現在の展望を提供しています。
- 参考スコア（独自算出の注目度）: 1.370633147306388
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Wind energy has emerged as a highly promising source of renewable energy in
recent times. However, wind turbines regularly suffer from operational
inconsistencies, leading to significant costs and challenges in operations and
maintenance (O&M). Condition-based monitoring (CBM) and performance
assessment/analysis of turbines are vital aspects for ensuring efficient O&M
planning and cost minimisation. Data-driven decision making techniques have
witnessed rapid evolution in the wind industry for such O&M tasks during the
last decade, from applying signal processing methods in early 2010 to
artificial intelligence (AI) techniques, especially deep learning in 2020. In
this article, we utilise statistical computing to present a scientometric
review of the conceptual and thematic evolution of AI in the wind energy
sector, providing evidence-based insights into present strengths and
limitations of data-driven decision making in the wind industry. We provide a
perspective into the future and on current key challenges in data availability
and quality, lack of transparency in black box-natured AI models, and
prevailing issues in deploying models for real-time decision support, along
with possible strategies to overcome these problems. We hope that a systematic
analysis of the past, present and future of CBM and performance assessment can
encourage more organisations to adopt data-driven decision making techniques in
O&M towards making wind energy sources more reliable, contributing to the
global efforts of tackling climate change.
- Abstract（参考訳）: 近年、風力エネルギーは再生可能エネルギーの非常に有望な源となっている。
しかし、風力タービンは定期的に運用上の不整合に苦しめられ、運用と保守(o&m)の大幅なコストと課題が生じた。
コンディションベースのモニタリング(CBM)とタービンの性能評価・分析は、効率的なO&M計画とコスト最小化の確保に不可欠である。
データ駆動による意思決定技術は、2010年初頭の信号処理手法から人工知能(AI)技術、特に2020年のディープラーニングまで、過去10年間、風力産業におけるこのようなO&Mタスクの急速な進化を目撃してきた。
本稿では, 風力エネルギー分野におけるAIの概念的, テーマ的進化に関するサイエントメトリックな考察を行うために, 統計計算を活用し, 風力産業におけるデータ駆動意思決定の強みと限界に関するエビデンスに基づく洞察を提供する。
我々は、データ可用性と品質における現在の主要な課題、ブラックボックスで成熟したaiモデルの透明性の欠如、リアルタイム意思決定サポートのためのモデルのデプロイに関する問題、およびこれらの問題を解決するための可能な戦略について、将来と現在の展望を提供する。
我々は、CBMの過去、現在、未来を体系的に分析し、より多くの組織がO&Mでデータ駆動意思決定技術を採用し、風力エネルギーの信頼性を高め、気候変動に対処するグローバルな取り組みに寄与することを願っている。
関連論文リスト
- A Survey of AI-Powered Mini-Grid Solutions for a Sustainable Future in Rural Communities [0.18783379094746652]
本稿では,統計的手法,機械学習アルゴリズム,ハイブリッドアプローチなど,様々な予測モデルについてレビューする。
Prophet、NeuralProphet、N-BEATSといった公開データセットやツールをモデル実装と検証のために検討している。
この調査は、将来の研究への推奨で締めくくられ、モデル適応と現実世界のアプリケーションへの最適化における課題に対処する。
論文 参考訳（メタデータ） (2024-07-17T20:23:38Z) - A Review on AI Algorithms for Energy Management in E-Mobility Services [4.084938013041068]
エモービリティ(E-mobility、電気モビリティ)は、環境や持続可能性の懸念に対処するための重要なソリューションとして登場した。
本稿では,e-mobilityシステムにおける効率的なエネルギー管理に関する様々な課題に,人工知能(AI)が取り組む可能性を探究する。
論文 参考訳（メタデータ） (2023-09-26T16:34:35Z) - 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) - Digital Twins in Wind Energy: Emerging Technologies and
Industry-Informed Future Directions [75.81393574964038]
本稿では、風力エネルギー産業におけるデジタルツイン技術とその能力レベルについて概観する。
デジタルツインの定義と能力レベルを0-5; 0-スタンドアロン、1-記述型、2-診断型、3-予測型、4-予測型、5-自律型から統合する。
論文 参考訳（メタデータ） (2023-04-16T18:38:28Z) - XAI for transparent wind turbine power curve models [0.0]
我々はShapley値とXAIを使って、機械学習モデルが運用風力タービンデータから学んだ戦略を明らかにする。
この結果から,テストセットのパフォーマンスを重視した,より大規模なモデルアーキテクチャへのトレンドが,物理的に理解不能なモデル戦略をもたらすことが判明した。
本稿では,風力タービン性能モニタリングの文脈における根本原因解析の実践的手法を提案する。
論文 参考訳（メタデータ） (2022-10-21T16:59:06Z) - 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) - Artificial Intelligence Based Prognostic Maintenance of Renewable Energy
Systems: A Review of Techniques, Challenges, and Future Research Directions [3.1123064748686287]
データ分析と機械学習(ML)技術は、これらの予後維持システムの全体的な効率を高めるために使われています。
本稿では,文献に報告されている予測/予測保守フレームワークの概要について述べる。
MLベースのソリューションの重要な側面として、ドメインで一般的に使用されるデータセットについても議論します。
論文 参考訳（メタデータ） (2021-04-20T11:41:00Z) - XAI4Wind: A Multimodal Knowledge Graph Database for Explainable Decision
Support in Operations & Maintenance of Wind Turbines [1.713291434132985]
コンディションベースのモニタリング(CBM)は、タービンの操作上の不一致や故障を監視するために風力業界で広く利用されています。
既存の研究は、運用と保守における説明可能な意思決定支援を容易にする具体的な基礎を提示していない。
XAI4Windは実世界の運転タービンにおける意思決定支援のためのマルチモーダル知識グラフである。
論文 参考訳（メタデータ） (2020-12-18T19:54:19Z) - Data-Driven Aerospace Engineering: Reframing the Industry with Machine
Learning [49.367020832638794]
航空宇宙産業は、ビッグデータと機械学習を収益化しようとしている。
最近のトレンドは、設計、製造、検証、サービスにおける重要な課題の文脈で検討される。
論文 参考訳（メタデータ） (2020-08-24T22:40:26Z) - 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) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。