論文の概要: SDWPF: A Dataset for Spatial Dynamic Wind Power Forecasting Challenge at KDD Cup 2022

• arxiv url: http://arxiv.org/abs/2208.04360v1
• Date: Mon, 8 Aug 2022 18:38:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-10 13:15:56.220243
• Title: SDWPF: A Dataset for Spatial Dynamic Wind Power Forecasting Challenge at KDD Cup 2022
• Title（参考訳）: sdwpf:kdd cup 2022における空間動的風力予測チャレンジのためのデータセット
• Authors: Jingbo Zhou, Xinjiang Lu, Yixiong Xiao, Jiantao Su, Junfu Lyu, Yanjun Ma, Dejing Dou
• Abstract要約: 本稿では,一意な空間風力予測データセットであるSDWPFを提案する。 このデータセットは風力タービンの空間分布と動的文脈因子を含む。 このデータセットを使用して、Baidu KDD Cup 2022をローンチし、現在のWPFソリューションの限界を調べます。
• 参考スコア（独自算出の注目度）: 42.72560292756442
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The variability of wind power supply can present substantial challenges to incorporating wind power into a grid system. Thus, Wind Power Forecasting (WPF) has been widely recognized as one of the most critical issues in wind power integration and operation. There has been an explosion of studies on wind power forecasting problems in the past decades. Nevertheless, how to well handle the WPF problem is still challenging, since high prediction accuracy is always demanded to ensure grid stability and security of supply. We present a unique Spatial Dynamic Wind Power Forecasting dataset: SDWPF, which includes the spatial distribution of wind turbines, as well as the dynamic context factors. Whereas, most of the existing datasets have only a small number of wind turbines without knowing the locations and context information of wind turbines at a fine-grained time scale. By contrast, SDWPF provides the wind power data of 134 wind turbines from a wind farm over half a year with their relative positions and internal statuses. We use this dataset to launch the Baidu KDD Cup 2022 to examine the limit of current WPF solutions. The dataset is released at https://aistudio.baidu.com/aistudio/competition/detail/152/0/datasets.
• Abstract（参考訳）: 風力発電の変動性は、風力発電をグリッドシステムに組み込む上で大きな課題をもたらす可能性がある。 このように、風力予測(WPF)は風力発電の統合と運用において最も重要な問題の一つとして広く認識されている。 過去数十年間、風力予測問題の研究が爆発的に増えている。 それでも、グリッドの安定性と供給の安全性を確保するために、高い予測精度が常に要求されるため、wpfの問題をうまく扱う方法はまだ難しい。 本稿では,風力タービンの空間分布と動的文脈因子を含む,独自の空間的動的風力予測データセットSDWPFを提案する。 一方、既存のデータセットのほとんどは、きめ細かい時間スケールで風力タービンの位置とコンテキスト情報を知らずに、少数の風力タービンしか持っていない。 対照的にsdwpfは、半年以上にわたって風力発電所から134基の風力タービンの相対的な位置と内部状態の風力データを提供している。 このデータセットを使ってBaidu KDD Cup 2022を立ち上げ、現在のWPFソリューションの限界を調べます。 データセットはhttps://aistudio.baidu.com/aistudio/competition/detail/152/0/datasetsでリリースされる。

関連論文リスト

• WindDragon: Enhancing wind power forecasting with Automated Deep Learning [0.5755004576310334]
  本稿では,国家レベルでの短期(1～6時間地平線)風力予測への革新的アプローチを提案する。 この手法は,風速マップと数値気象予測を組み合わせた自動ディープラーニングを利用して,風力の正確な予測を行う。
  論文  参考訳（メタデータ） (2024-02-22T08:55:21Z)
• Windformer:Bi-Directional Long-Distance Spatio-Temporal Network For Wind Speed Prediction [21.347186062986726]
  風力発電の管理には風速予測が不可欠である。 本論文では,風力タービンクラスタを複数の非重なり窓に分割し,窓内部の相関関係を計算し,窓間の接続性を提供するWindformerを提案する。 従来の手法と比較して、WindformerのMean Square Error (MSE) は NERL の2つのデータセットで 0.5% から 15% 削減されている。
  論文  参考訳（メタデータ） (2023-11-24T07:06:18Z)
• 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)
• 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)
• BUAA_BIGSCity: Spatial-Temporal Graph Neural Network for Wind Power Forecasting in Baidu KDD CUP 2022 [22.15262401549984]
  Baidu KDD Cup 2022 Space Dynamic Wind Power Forecasting Challenge について述べる。 我々は2つの時空間グラフニューラルネットワークモデル、すなわちAGCRNとMTGNNを基本モデルとして採用する。 私たちの方法では、テストセットで-45.36026を達成しています。
  論文  参考訳（メタデータ） (2023-02-22T05:47:45Z)
• Data-Driven Stochastic AC-OPF using Gaussian Processes [54.94701604030199]
  大量の再生可能エネルギーを電力網に統合することは、おそらく気候変動を遅らせる電力網からの二酸化炭素排出量を減らす最も有効な方法だろう。 本稿では、不確実な入力を組み込むことのできる交流電力流方程式に基づく代替データ駆動方式を提案する。 GPアプローチは、このギャップを交流電力流方程式に閉じるために、単純だが制約のないデータ駆動アプローチを学ぶ。
  論文  参考訳（メタデータ） (2022-07-21T23:02:35Z)
• Digital Twin Framework for Time to Failure Forecasting of Wind Turbine Gearbox: A Concept [0.0]
  風力タービンは複雑な機械であり、回転・非回転装置は故障に敏感である。 風力タービンの故障検出は、しばしば風力発電事業者から利用可能なSCADAデータで補完される。 時系列分析とデータ表現は、動的プロセスのより深い基盤となる強力なツールとなっている。
  論文  参考訳（メタデータ） (2022-04-28T05:51:48Z)
• 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)
• Spatio-temporal estimation of wind speed and wind power using machine learning: predictions, uncertainty and technical potential [0.0]
  ここで提示される風力推定は、風力発電量の増加を伴うエネルギーシステムの設計を支援するためのプランナーにとって重要な入力である。 この手法は、スイスのハブ高さ100メートルのタービンに対して250ドル(約2,400円)のグリッド上の時間風力ポテンシャルの研究に応用される。
  論文  参考訳（メタデータ） (2021-07-29T09:52:36Z)

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。