Fugu-MT 論文翻訳(概要): Hybrid Transformer Network for Different Horizons-based Enriched Wind Speed Forecasting

論文の概要: Hybrid Transformer Network for Different Horizons-based Enriched Wind Speed Forecasting

arxiv url: http://arxiv.org/abs/2204.09019v1
Date: Thu, 7 Apr 2022 12:03:53 GMT
ステータス: 処理完了
システム内更新日: 2022-04-24 20:31:12.150800
Title: Hybrid Transformer Network for Different Horizons-based Enriched Wind Speed Forecasting
Title（参考訳）: 異なるホライズンズに基づくリッチ風速予測のためのハイブリッドトランスネットワーク
Authors: Dr. M. Madhiarasan and Prof. Partha Pratim Roy
Abstract要約: 高度に正確な水平線に基づく風速予測は、より現代的な電力システムを促進する。本稿では,新しい風速予測モデルを提案し,異なる地平線に適用した。実時間Kethanurとの比較分析により,提案したICEEMDAN-TNF-MLPN-RECSハイブリッドモデルの性能が向上したことが明らかとなった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Highly accurate different horizon-based wind speed forecasting facilitates a better modern power system. This paper proposed a novel astute hybrid wind speed forecasting model and applied it to different horizons. The proposed hybrid forecasting model decomposes the original wind speed data into IMFs (Intrinsic Mode Function) using Improved Complete Ensemble Empirical Mode Decomposition with Adaptive Noise (ICEEMDAN). We fed the obtained subseries from ICEEMDAN to the transformer network. Each transformer network computes the forecast subseries and then passes to the fusion phase. Get the primary wind speed forecasting from the fusion of individual transformer network forecast subseries. Estimate the residual error values and predict errors using a multilayer perceptron neural network. The forecast error is added to the primary forecast wind speed to leverage the high accuracy of wind speed forecasting. Comparative analysis with real-time Kethanur, India wind farm dataset results reveals the proposed ICEEMDAN-TNF-MLPN-RECS hybrid model's superior performance with MAE=1.7096*10^-07, MAPE=2.8416*10^-06, MRE=2.8416*10^-08, MSE=5.0206*10^-14, and RMSE=2.2407*10^-07 for case study 1 and MAE=6.1565*10^-07, MAPE=9.5005*10^-06, MRE=9.5005*10^-08, MSE=8.9289*10^-13, and RMSE=9.4493*10^-07 for case study 2 enriched wind speed forecasting than state-of-the-art methods and reduces the burden on the power system engineer.
Abstract（参考訳）: 高度に正確な水平線に基づく風速予測は、より現代的な電力システムを促進する。本稿では,新しい風速予測モデルを提案し,異なる地平線に適用した。提案したハイブリッド予測モデルは,適応ノイズを用いた改良完全アンサンブル経験モード分解(ICEEMDAN)を用いて,元の風速データをIMF(固有モード関数)に分解する。 ICEEMDANから得られたサブシリーズをトランスネットワークに供給した。各変圧器ネットワークは予測サブシリーズを計算し、融合フェーズを通過する。個々の変圧器ネットワーク予測サブシリーズの融合から、一次風速予測を得る。多層パーセプトロンニューラルネットワークを用いた残差誤差値の推定と誤差予測予測誤差を一次予測風速に付加し、風速予測の高精度化を図る。 Comparative analysis with real-time Kethanur, India wind farm dataset results reveals the proposed ICEEMDAN-TNF-MLPN-RECS hybrid model's superior performance with MAE=1.7096*10^-07, MAPE=2.8416*10^-06, MRE=2.8416*10^-08, MSE=5.0206*10^-14, and RMSE=2.2407*10^-07 for case study 1 and MAE=6.1565*10^-07, MAPE=9.5005*10^-06, MRE=9.5005*10^-08, MSE=8.9289*10^-13, and RMSE=9.4493*10^-07 for case study 2 enriched wind speed forecasting than state-of-the-art methods and reduces the burden on the power system engineer.

関連論文リスト

Short-term Wind Speed Forecasting for Power Integration in Smart Grids based on Hybrid LSSVM-SVMD Method [0.0]
風力エネルギーは、最も広く利用されている再生可能エネルギー資源の1つとなっている。グリッドシステムへの風力統合の成功は、正確な風速予測モデルに基づいている。本稿では,短期風速予測のためのハイブリッド機械学習手法を提案する。
論文参考訳（メタデータ） (2024-08-30T10:35:59Z)
ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
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,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。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)
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)
Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文参考訳（メタデータ） (2023-09-24T19:57:22Z)
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)
FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead [93.67314652898547]
人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。 FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
論文参考訳（メタデータ） (2023-04-06T09:16:39Z)
Multi-Step Short-Term Wind Speed Prediction with Rank Pooling and Fast Fourier Transformation [0.0]
短期的な風速予測は、経済的な風力利用に不可欠である。現実の風速データは通常断続的で変動し、既存の浅いモデルに大きな課題をもたらす。本稿では,多段風速予測,すなわちLR-FFT-RP-MLP/LSTMのための新しいハイブリッドモデルを提案する。
論文参考訳（メタデータ） (2022-11-23T14:02:52Z)
A Hybrid Model for Forecasting Short-Term Electricity Demand [59.372588316558826]
現在、英国電気市場は、規制当局が30分毎に発行する負荷(需要)予測によってガイドされている。本稿では,機能工学(候補予測機能の選択),移動ウィンドウ予測,LSTMエンコーダデコーダを組み合わせたハイブリッド予測モデルHYENAを提案する。
論文参考訳（メタデータ） (2022-05-20T22:13:25Z)
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)
Wind Speed Prediction and Visualization Using Long Short-Term Memory Networks (LSTM) [1.8495489370732452]
本稿では,風力発電計画と実現可能性研究を簡易化する風速予測手法を提案する。その結果、長期記憶(LSTM)は97.8%の精度で他のモデルより優れていることが判明した。
論文参考訳（メタデータ） (2020-05-22T17:51:13Z)
Wind speed prediction using a hybrid model of the multi-layer perceptron and whale optimization algorithm [1.032905038435237]
風力発電は再生可能エネルギー源であり、多くの経済的、環境的、社会的利益がある。再生可能風力発電を向上・制御するためには,風速を高精度に予測するモデルを活用することが不可欠である。
論文参考訳（メタデータ） (2020-02-14T19:29:33Z)

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。