論文の概要: ANFIS-based prediction of power generation for combined cycle power plant

• arxiv url: http://arxiv.org/abs/2210.09011v1
• Date: Fri, 7 Oct 2022 19:07:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-30 12:18:29.514382
• Title: ANFIS-based prediction of power generation for combined cycle power plant
• Title（参考訳）: 複合サイクル発電プラントのANFISによる発電予測
• Authors: Mary Pa, Amin Kazemi
• Abstract要約: 適応型ニューロファジィ推論システム (ANFIS) を提案し, 複合サイクル発電プラントで発生した電力を予測する。 提案されたANFISは、非常に高い精度で発電を予測し、ツールボックスよりもはるかに高速なケーブルである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents the application of an adaptive neuro-fuzzy inference system (ANFIS) to predict the generated electrical power in a combined cycle power plant. The ANFIS architecture is implemented in MATLAB through a code that utilizes a hybrid algorithm that combines gradient descent and the least square estimator to train the network. The Model is verified by applying it to approximate a nonlinear equation with three variables, the time series Mackey-Glass equation and the ANFIS toolbox in MATLAB. Once its validity is confirmed, ANFIS is implemented to forecast the generated electrical power by the power plant. The ANFIS has three inputs: temperature, pressure, and relative humidity. Each input is fuzzified by three Gaussian membership functions. The first-order Sugeno type defuzzification approach is utilized to evaluate a crisp output. Proposed ANFIS is cable of successfully predicting power generation with extremely high accuracy and being much faster than Toolbox, which makes it a promising tool for energy generation applications.
• Abstract（参考訳）: 本稿では, 適応型ニューロファジィ推論システム(ANFIS)を用いて, 複合サイクル発電プラントにおける発電電力の予測を行う。 anfisアーキテクチャは、勾配降下と最小二乗推定器を組み合わせてネットワークを訓練するハイブリッドアルゴリズムを使用するコードを通じてmatlabに実装されている。 このモデルを,MATLABの時系列Mackey-Glass方程式とANFISツールボックスの3変数の非線形方程式に近似させることで検証する。 有効性が確認されると、ANFISは発電所で発生した電力を予測するために実装される。 ANFISは温度、圧力、相対湿度の3つの入力を持つ。 各入力は3つのガウス会員関数によってファジフィケートされる。 一階のsugeno型消泡法を用いて、明快な出力の評価を行う。 提案されたanfisは、非常に高い精度で発電を予測でき、ツールボックスよりもはるかに高速である。

関連論文リスト

• PowerFlowMultiNet: Multigraph Neural Networks for Unbalanced Three-Phase Distribution Systems [6.788629099241222]
  このレターでは、非平衡三相電力グリッド用に明示的に設計された新しいマルチグラフGNNフレームワークであるPowerFlowMultiNetを紹介する。 メッセージパッシングを利用したグラフ埋め込み機構を導入し、電力系統ネットワーク内の空間的依存関係をキャプチャする。 厳密なテストでは、大規模な電力ネットワークにおけるエラー率と計算速度の顕著な増加が明らかにされている。
  論文  参考訳（メタデータ） (2024-03-01T13:47:39Z)
• Power Flow Analysis Using Deep Neural Networks in Three-Phase Unbalanced Smart Distribution Grids [0.7037008937757394]
  本稿では3つのディープニューラルネットワーク(DNN)を提案し,PF(Power Flow)ソリューションの予測を行った。 トレーニングデータとテストデータは、OpenDSS-MATLAB COMインターフェースを介して生成される。 提案手法の新規性は、モデルが不均衡分布格子に対するPF解を正確に予測できることである。
  論文  参考訳（メタデータ） (2024-01-15T04:43:37Z)
• Graph Neural Networks on Factor Graphs for Robust, Fast, and Scalable Linear State Estimation with PMUs [1.1470070927586016]
  本稿では、グラフニューラルネットワーク(GNN)を用いて、PMU電圧と電流測定から複雑なバス電圧推定を学習する手法を提案する。 本稿では,電力系統の因子グラフ上でのGNNのオリジナル実装を提案する。 このモデルは非常に効率的でスケーラブルであり、計算複雑性は電力系統のノード数に対して線形である。
  論文  参考訳（メタデータ） (2023-04-28T08:17:52Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• A 3.3 Gbps SPAD-Based Quantum Random Number Generator [0.4189768681039651]
  本稿では、偏りや相関関係に現れる回路不完全性の役割を解明する量子ランダムフリップフロップ(QRFF)の理論について論じる。 QRFF回路のトランジスタ実装は、ランダムフリップフロップの有限非対称遷移に固有のエントロピーの劣化の補償を可能にする。 QRFF回路の2つの独立配列を含むフルシステムは55nmのBipolar-CMOS-DMOS技術ノードで製造・試験される。
  論文  参考訳（メタデータ） (2022-09-11T13:56:57Z)
• 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)
• Robust and Fast Data-Driven Power System State Estimator Using Graph Neural Networks [1.2891210250935146]
  本稿では,グラフニューラルネットワーク(GNN)に基づくモデルトレーニング手法について,PMU電圧と電流測定から推定値を求める。 本稿では,電力系統の因子グラフ上の独自のGNN実装を提案する。
  論文  参考訳（メタデータ） (2022-06-06T16:40:54Z)
• Deep Transformer Networks for Time Series Classification: The NPP Safety Case [59.20947681019466]
  時間依存nppシミュレーションデータをモデル化するために、教師付き学習方法でトランスフォーマと呼ばれる高度なテンポラルニューラルネットワークを使用する。 トランスはシーケンシャルデータの特性を学習し、テストデータセット上で約99%の分類精度で有望な性能が得られる。
  論文  参考訳（メタデータ） (2021-04-09T14:26:25Z)
• Learning to Solve the AC-OPF using Sensitivity-Informed Deep Neural Networks [52.32646357164739]
  最適な電力フロー(ACOPF)のソリューションを解決するために、ディープニューラルネットワーク(DNN)を提案します。 提案されたSIDNNは、幅広いOPFスキームと互換性がある。 他のLearning-to-OPFスキームとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-03-27T00:45:23Z)
• Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
  本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。 数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。 我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
  論文  参考訳（メタデータ） (2020-06-02T23:38:35Z)
• Gradient Statistics Aware Power Control for Over-the-Air Federated Learning [59.40860710441232]
  フェデレートラーニング(FL)は、多くのエッジデバイスが無線ネットワークで機械学習モデルを協調的にトレーニングできる有望なテクニックである。 本稿では、勾配統計を考慮に入れたオーバー・ザ・エアFLの電力制御問題について検討する。
  論文  参考訳（メタデータ） (2020-03-04T14:06:51Z)

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。