論文の概要: Optimal Lighting Control in Greenhouses Using Bayesian Neural Networks for Sunlight Prediction

• arxiv url: http://arxiv.org/abs/2205.03733v1
• Date: Sat, 7 May 2022 22:41:49 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-10 17:50:29.728438
• Title: Optimal Lighting Control in Greenhouses Using Bayesian Neural Networks for Sunlight Prediction
• Title（参考訳）: 偏光予測のためのベイズニューラルネットワークを用いた温室最適照明制御
• Authors: Shirin Afzali, Yajie Bao, Marc W. van Iersel, Javad Mohammadpour Velni
• Abstract要約: 日光予測のための変分推論ベイズニューラルネットワーク(BNN)モデルを考慮した最適補光制御手法を開発した。 提案手法は,BNNによる日光予測,植物光の需要,電力価格の変動を考慮した電力コストの最小化を図っている。
• 参考スコア（独自算出の注目度）: 0.8602553195689513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Controlling the environmental parameters, including light in greenhouses, increases the crop yield; however, the electricity cost of supplemental lighting can be high. Therefore, the importance of applying cost-effective lighting methods arises. In this paper, an optimal supplemental lighting control approach is developed considering a variational inference Bayesian Neural Network (BNN) model for sunlight prediction. The predictive model is validated through testing the model on the historical solar data of a site located at North Carolina ($R^{2}$=0.9971, RMSE=1.8%). The proposed lighting approach is shown to minimize electricity cost by considering the BNN-based sunlight prediction, plant light needs, and variable electricity pricing when solving the underlying optimization problem. For evaluation, the new strategy is compared to: 1) a Markov-based prediction method, which solves the same optimization problem, assuming a Markov model for sunlight prediction; 2) a heuristic method which aims to supply a fixed amount of light. Simulation studies are conducted to examine the electricity cost improvements of the BNN-based approach. The results show that the BNN-based approach reduces cost by (on average) 2.27% and 43.91% compared to the Markov prediction-based method and the heuristic method, respectively, throughout a year.
• Abstract（参考訳）: 温室における光を含む環境パラメータの制御は収穫量を増加させるが、補助照明の電力コストは高くなる。 そのため、コスト効率のよい照明方法を適用することが重要である。 本論文では、日光予測のための変分推論ベイズニューラルネットワーク(BNN)モデルを考慮した最適補光制御手法を開発した。 予測モデルはノースカロライナの史跡(R^{2}$=0.9971, RMSE=1.8%)の過去の太陽データのモデルをテストすることによって検証される。 提案手法は,BNNに基づく日光予測,植物光の需要,電力価格の変動を考慮した最適化問題の解法により,電力コストを最小化する。 評価のために、新しい戦略を以下に比較する。 1) 日光予測のためのマルコフモデルを想定した,同じ最適化問題を解決するマルコフに基づく予測法 2) 一定量の光を供給することを目的としたヒューリスティックな方法。 BNN方式の電力コスト改善に関するシミュレーション研究を行った。 その結果,BNNに基づく手法は,マルコフ予測法とヒューリスティック法と比較して,平均2.27%,43.91%のコスト削減効果を示した。

関連論文リスト

• Location Agnostic Source-Free Domain Adaptive Learning to Predict Solar Power Generation [0.0]
  本稿では,気象特性を用いた太陽発電を推定するためのドメイン適応型ディープラーニングフレームワークを提案する。 フィードフォワード深部畳み込みネットワークモデルは、既知の位置データセットを教師付きでトレーニングし、後に未知の場所の太陽エネルギーを予測するために使用される。 我々の手法では、カリフォルニア(CA)、フロリダ(FL)、ニューヨーク(NY)の順応的でない手法と比較して、太陽エネルギー予測精度が10.47 %、7.44 %、5.11%の改善が見られた。
  論文  参考訳（メタデータ） (2024-01-24T02:08:48Z)
• Price-Aware Deep Learning for Electricity Markets [58.3214356145985]
  深層学習層として電力市場浄化最適化を組み込むことを提案する。 このレイヤを差別化することで、予測と価格エラーのバランスをとることができる。 風力発電予測と短期電力市場浄化のネクサスにおける価格認識深層学習について紹介する。
  論文  参考訳（メタデータ） (2023-08-02T21:16:05Z)
• Improving day-ahead Solar Irradiance Time Series Forecasting by Leveraging Spatio-Temporal Context [46.72071291175356]
  太陽発電は二酸化炭素の排出量を大幅に削減することで気候変動を緩和する大きな可能性を秘めている。 しかし、太陽光の固有の変動は、電力網に太陽エネルギーをシームレスに統合する上で大きな課題となる。 本稿では,衛星データを用いた時間的文脈の活用を目的としたディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-06-01T19:54:39Z)
• TransPath: Learning Heuristics For Grid-Based Pathfinding via Transformers [64.88759709443819]
  探索の効率を顕著に向上させると考えられる,インスタンス依存のプロキシを学習することを提案する。 私たちが最初に学ぶことを提案するプロキシは、補正係数、すなわち、インスタンスに依存しないコスト・ツー・ゴの見積もりと完璧な見積もりの比率である。 第2のプロキシはパス確率であり、グリッドセルが最も短いパスに横たわっている可能性を示している。
  論文  参考訳（メタデータ） (2022-12-22T14:26:11Z)
• Comparison and Evaluation of Methods for a Predict+Optimize Problem in Renewable Energy [42.00952788334554]
  本稿では2021年に開催されたIEEE-CIS Technical Challenge on Predict+ for Renewable Energy Schedulingについて述べる。 コンペティションにおける上位7つのソリューションの比較と評価を行う。 勝算法は異なるシナリオを予測し、サンプル平均近似法を用いて全てのシナリオに最適化した。
  論文  参考訳（メタデータ） (2022-12-21T02:34:12Z)
• A scalable framework for annotating photovoltaic cell defects in electroluminescence images [0.0]
  PVセルの異常検出技術は、運用とメンテナンスにおいて大幅なコスト削減をもたらす可能性がある。 近年,エレクトロルミネッセンス(EL)画像の異常を自動的に検出する深層学習技術が研究されている。 本稿では,最先端のデータ駆動技術を組み合わせてゴールデンスタンダードベンチマークを作成することを提案する。
  論文  参考訳（メタデータ） (2022-12-15T12:46:31Z)
• Movement Penalized Bayesian Optimization with Application to Wind Energy Systems [84.7485307269572]
  文脈ベイズ最適化(CBO)は、与えられた側情報を逐次決定する強力なフレームワークである。 この設定では、学習者は各ラウンドでコンテキスト(天気条件など)を受け取り、アクション(タービンパラメータなど)を選択する必要がある。 標準的なアルゴリズムは、すべてのラウンドで意思決定を切り替えるコストを前提としませんが、多くの実用的なアプリケーションでは、このような変更に関連するコストが最小化されるべきです。
  論文  参考訳（メタデータ） (2022-10-14T20:19:32Z)
• Predictive Accuracy of a Hybrid Generalized Long Memory Model for Short Term Electricity Price Forecasting [0.0]
  本研究では、一般化長メモリ自己回帰モデル(k-factor GARMA)に基づく新しいハイブリッドモデルの予測性能について検討する。 提案モデルの性能を北プール電力市場のデータを用いて評価した。
  論文  参考訳（メタデータ） (2022-04-18T12:21:25Z)
• Regret-Optimal Filtering [57.51328978669528]
  後悔最適化レンズによる線形状態空間モデルにおけるフィルタの問題を検討する。 我々は, 透視推定器の誤差エネルギー推定における後悔の概念に基づいて, フィルタ設計のための新しい基準を定式化する。 3つのリッキー方程式と1つのリャプノフ方程式を解くことで、後悔と最適推定が容易に実現できることを示す。
  論文  参考訳（メタデータ） (2021-01-25T19:06:52Z)
• Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning for Smart Grids [56.35173057183362]
  家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。 目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。 マルコフゲームとしてスマートグリッド環境の定式化を提案する。
  論文  参考訳（メタデータ） (2020-05-05T07:32:40Z)
• An Integrated Multi-Time-Scale Modeling for Solar Irradiance Forecasting Using Deep Learning [1.52292571922932]
  太陽エネルギーの非定常特性のため、短期的な太陽照度予測は困難である。 日内太陽光のマルチスケール予測のための統一アーキテクチャを提案する。 提案手法は,全試験場の平均RMSEを71.5%削減する。
  論文  参考訳（メタデータ） (2019-05-07T14:40:32Z)

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。