論文の概要: Physically Meaningful Uncertainty Quantification in Probabilistic Wind
Turbine Power Curve Models as a Damage Sensitive Feature
- arxiv url: http://arxiv.org/abs/2209.15579v1
- Date: Fri, 30 Sep 2022 16:45:15 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 16:19:10.666940
- Title: Physically Meaningful Uncertainty Quantification in Probabilistic Wind
Turbine Power Curve Models as a Damage Sensitive Feature
- Title（参考訳）: 確率型タービンパワーカーブモデルにおける物理的に意味のある不確かさの定量化
- Authors: J.H. Mclean, M.R. Jones, B.J. O'Connell, A.E Maguire, T.J. Rogers
- Abstract要約: 風力曲線は風力タービンの構造的健康モニタリングの鍵となる部分である。
多くの確率的パワーカーブモデルは、物理的に意味がないという点において重要な制限を持つ。
本稿では、物理的に有意な確率的パワーカーブモデルを生成するために、2つの有界ガウス過程を用いて検討する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: A wind turbines' power curve is easily accessible damage sensitive data, and
as such is a key part of structural health monitoring in wind turbines. Power
curve models can be constructed in a number of ways, but the authors argue that
probabilistic methods carry inherent benefits in this use case, such as
uncertainty quantification and allowing uncertainty propagation analysis. Many
probabilistic power curve models have a key limitation in that they are not
physically meaningful - they return mean and uncertainty predictions outside of
what is physically possible (the maximum and minimum power outputs of the wind
turbine). This paper investigates the use of two bounded Gaussian Processes in
order to produce physically meaningful probabilistic power curve models. The
first model investigated was a warped heteroscedastic Gaussian process, and was
found to be ineffective due to specific shortcomings of the Gaussian Process in
relation to the warping function. The second model - an approximated Gaussian
Process with a Beta likelihood was highly successful and demonstrated that a
working bounded probabilistic model results in better predictive uncertainty
than a corresponding unbounded one without meaningful loss in predictive
accuracy. Such a bounded model thus offers increased accuracy for performance
monitoring and increased operator confidence in the model due to guaranteed
physical plausibility.
- Abstract（参考訳）: 風力タービンの動力曲線は、損傷に敏感なデータに容易にアクセスでき、風力タービンの構造的健康モニタリングの鍵となる部分である。
パワーカーブモデルは様々な方法で構築できるが、確率的手法は不確かさの定量化や不確かさの伝播解析など、このユースケースに固有の利点をもたらすと主張している。
多くの確率的パワーカーブモデルは、物理的に意味がないという重要な制限があり、物理的に可能なもの(風力タービンの最大出力と最小出力)の外で平均と不確実な予測を返す。
本稿では,物理的に有意な確率的パワー曲線モデルを作成するために,二つの有界ガウス過程の利用について検討する。
調査された最初のモデルは、異質なガウス過程であり、ガウス過程の特定の欠点とワーピング関数の関係のため効果がないことが判明した。
第2のモデル - ベータ確率を近似したガウス過程は成功し、動作する有界確率モデルが予測精度に有意な損失を伴わずに対応する非有界モデルよりも予測の不確実性を向上させることを示した。
このようなバウンドモデルにより、パフォーマンス監視の精度が向上し、物理的妥当性が保証されたため、モデルのオペレータの信頼性が向上する。
関連論文リスト
- 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) - Accurate generation of stochastic dynamics based on multi-model
Generative Adversarial Networks [0.0]
GAN(Generative Adversarial Networks)は、テキストや画像生成などの分野において大きな可能性を秘めている。
ここでは、格子上の原型過程に適用することにより、このアプローチを定量的に検証する。
重要なことに、ノイズにもかかわらずモデルの離散性は維持される。
論文 参考訳（メタデータ） (2023-05-25T10:41:02Z) - Bias in Pruned Vision Models: In-Depth Analysis and Countermeasures [93.17009514112702]
ニューラルネットワークのパラメータのかなりの部分集合をゼロに設定するプルーニングは、モデル圧縮の最も一般的な方法の1つである。
この現象の既存の証拠にもかかわらず、ニューラルネットワークのプルーニングと誘導バイアスの関係はよく理解されていない。
論文 参考訳（メタデータ） (2023-04-25T07:42:06Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - Estimation of Bivariate Structural Causal Models by Variational Gaussian
Process Regression Under Likelihoods Parametrised by Normalising Flows [74.85071867225533]
因果機構は構造因果モデルによって記述できる。
最先端の人工知能の大きな欠点の1つは、説明責任の欠如である。
論文 参考訳（メタデータ） (2021-09-06T14:52:58Z) - When in Doubt: Neural Non-Parametric Uncertainty Quantification for
Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。
不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。
本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文 参考訳（メタデータ） (2021-06-07T18:31:47Z) - Probabilistic Neural Network to Quantify Uncertainty of Wind Power
Estimation [3.4376560669160385]
モンテカルロ・ドロップアウトを用いた確率論的ニューラルネットワークは、パワーカーブ推定のモデル不確かさを定量化すると考えられる。
開発したネットワークは、性能を評価するのに有用なツールであるモデルとノイズの不確実性の両方をキャプチャする。
論文 参考訳（メタデータ） (2021-06-04T19:15:53Z) - Latent Gaussian Model Boosting [0.0]
ツリーブースティングは多くのデータセットに対して優れた予測精度を示す。
シミュレーションおよび実世界のデータ実験において,既存の手法と比較して予測精度が向上した。
論文 参考訳（メタデータ） (2021-05-19T07:36:30Z) - Probabilistic robust linear quadratic regulators with Gaussian processes [73.0364959221845]
ガウス過程(GP)のような確率モデルは、制御設計に続く使用のためのデータから未知の動的システムを学ぶための強力なツールです。
本稿では、確率的安定性マージンに関して堅牢なコントローラを生成する線形化GPダイナミクスのための新しいコントローラ合成について述べる。
論文 参考訳（メタデータ） (2021-05-17T08:36:18Z) - Discriminative Jackknife: Quantifying Uncertainty in Deep Learning via
Higher-Order Influence Functions [121.10450359856242]
我々は、モデル損失関数の影響関数を利用して、予測信頼区間のジャックニフェ(または、アウト・ワン・アウト)推定器を構築する頻繁な手順を開発する。
1)および(2)を満たすDJは、幅広いディープラーニングモデルに適用可能であり、実装が容易であり、モデルトレーニングに干渉したり、精度を妥協したりすることなく、ポストホックな方法で適用することができる。
論文 参考訳（メタデータ） (2020-06-29T13:36:52Z) - Estimation of Accurate and Calibrated Uncertainties in Deterministic
models [0.8702432681310401]
我々は,決定論的予測を確率論的予測に変換する手法を考案した。
そのためには,そのようなモデルの精度と信頼性(校正)を損なう必要がある。
隠れたノイズを正確に回収できる合成データと、大規模な実世界のデータセットの両方について、いくつかの例を示す。
論文 参考訳（メタデータ） (2020-03-11T04:02:56Z)
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。