Fugu-MT 論文翻訳(概要): Modeling Wind Turbine Performance and Wake Interactions with Machine Learning

論文の概要: Modeling Wind Turbine Performance and Wake Interactions with Machine Learning

arxiv url: http://arxiv.org/abs/2212.01483v1
Date: Fri, 2 Dec 2022 23:07:05 GMT
ステータス: 処理完了
システム内更新日: 2022-12-06 18:54:45.851512
Title: Modeling Wind Turbine Performance and Wake Interactions with Machine Learning
Title（参考訳）: 機械学習による風車性能とウェイクインタラクションのモデル化
Authors: C. Moss, R. Maulik, G.V. Iungo
Abstract要約: SCADAとオンショアウィンドファームで収集された気象データに基づいて異なる機械学習モデル(ML)を訓練する。データ品質制御と事前処理のためのML手法を調査対象のデータセットに適用する。風力タービンのパワーキャプチャーをモデル化するために,ハイブリッドモデルが高精度であることがわかった。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Different machine learning (ML) models are trained on SCADA and meteorological data collected at an onshore wind farm and then assessed in terms of fidelity and accuracy for predictions of wind speed, turbulence intensity, and power capture at the turbine and wind farm levels for different wind and atmospheric conditions. ML methods for data quality control and pre-processing are applied to the data set under investigation and found to outperform standard statistical methods. A hybrid model, comprised of a linear interpolation model, Gaussian process, deep neural network (DNN), and support vector machine, paired with a DNN filter, is found to achieve high accuracy for modeling wind turbine power capture. Modifications of the incoming freestream wind speed and turbulence intensity, $TI$, due to the evolution of the wind field over the wind farm and effects associated with operating turbines are also captured using DNN models. Thus, turbine-level modeling is achieved using models for predicting power capture while farm-level modeling is achieved by combining models predicting wind speed and $TI$ at each turbine location from freestream conditions with models predicting power capture. Combining these models provides results consistent with expected power capture performance and holds promise for future endeavors in wind farm modeling and diagnostics. Though training ML models is computationally expensive, using the trained models to simulate the entire wind farm takes only a few seconds on a typical modern laptop computer, and the total computational cost is still lower than other available mid-fidelity simulation approaches.
Abstract（参考訳）: 異なる機械学習モデル (ML) は、沿岸風力発電所で収集された気象データとSCADAに基づいて訓練され、風速、乱流強度、タービンおよび風力発電所での風速および大気条件の予測のための忠実度と精度で評価される。データ品質管理および前処理のためのml法を調査中のデータセットに適用し、標準統計法を上回った。 DNNフィルタと組み合わせた線形補間モデル、ガウス過程、ディープニューラルネットワーク(DNN)、サポートベクターマシンからなるハイブリッドモデルは、風力タービンパワーキャプチャーの高精度なモデリングを実現する。風力発電所上空の風速の進化と運転タービンに関連する影響をDNNモデルで捉えることにより, 流入する自由流風速と乱流強度を$TI$に改良した。これにより、自由流条件から各タービン位置における風速予測モデルと電力捕獲予測モデルとを組み合わせることにより、農業レベルのモデリングが達成される一方で、動力捕獲予測モデルを用いてタービンレベルのモデリングを実現する。これらのモデルを組み合わせることで、電力捕獲性能が期待できる結果が得られ、風力発電のモデリングと診断における将来の取り組みが期待できる。 MLモデルのトレーニングには計算コストがかかるが、トレーニングされたモデルを用いて風力ファーム全体をシミュレートするには、一般的な現代のラップトップコンピュータではほんの数秒しかかからず、計算コストは、他の利用可能なミッドファイドリティシミュレーション手法よりも依然として低い。

関連論文リスト

FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。 FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
論文参考訳（メタデータ） (2023-12-16T02:07:56Z)
Inferring Traffic Models in Terminal Airspace from Flight Tracks and Procedures [52.25258289718559]
本稿では,レーダ監視データから収集したプロシージャデータとフライトトラックから可変性を学習可能な確率モデルを提案する。任意の航空機数を含む交通量を生成するために,ペアワイズモデルを用いる方法を示す。
論文参考訳（メタデータ） (2023-03-17T13:58:06Z)
XAI for transparent wind turbine power curve models [0.0]
我々はShapley値とXAIを使って、機械学習モデルが運用風力タービンデータから学んだ戦略を明らかにする。この結果から,テストセットのパフォーマンスを重視した,より大規模なモデルアーキテクチャへのトレンドが,物理的に理解不能なモデル戦略をもたらすことが判明した。本稿では,風力タービン性能モニタリングの文脈における根本原因解析の実践的手法を提案する。
論文参考訳（メタデータ） (2022-10-21T16:59:06Z)
Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文参考訳（メタデータ） (2022-06-26T10:58:41Z)
An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文参考訳（メタデータ） (2022-04-18T23:42:18Z)
Cluster-based ensemble learning for wind power modeling with meteorological wind data [6.385624548310884]
本稿では,3種類のアンサンブル学習アルゴリズム,バッジ,ブースティング,スタックリングを統合したモデリング手法を構築する。また、風力モデリングにおけるクラスタ数決定のための異なるクラスタリングアルゴリズムや手法の適用について検討する。
論文参考訳（メタデータ） (2022-04-01T18:20:04Z)
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)
Data-Driven Wind Turbine Wake Modeling via Probabilistic Machine Learning [0.0]
実世界の光検出・測光(LiDAR)を用いて風車ウェイクを計測し,機械学習を用いて予測的代理モデルを構築する。提案手法は,高忠実度物理シミュレーションで生成したものよりも安価で高精度に問い合わせることができる風車流速場を高精度に近似するものである。
論文参考訳（メタデータ） (2021-09-06T14:46:20Z)
Intelligent Icing Detection Model of Wind Turbine Blades Based on SCADA data [0.0]
本稿では,畳み込みニューラルネットワーク(CNN),GAN(Generative Adversarial Network),ドメイン適応学習(Domain Adaption Learning)を用いて,インテリジェントな診断フレームワークを構築する可能性について検討する。本研究は, 正常およびアイシング試料の固有特徴を捉えるために, 並列GANを用いた2段階の訓練について検討する。 3つの風力タービンSCADAデータのモデル検証は、2段階の訓練がモデル性能を効果的に改善できることを示している。
論文参考訳（メタデータ） (2021-01-20T00:46:52Z)
Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文参考訳（メタデータ） (2020-10-27T17:54:12Z)
Hybrid Neuro-Evolutionary Method for Predicting Wind Turbine Power Output [6.411829871947649]
我々は,スウェーデンのオンショア風力発電所から出力される電力を推定するために,SCADAシステムにおける履歴データを入力として利用する。風のパターンが非線形で多様であるという事前の知識により、我々は自己適応微分進化(SaDE)アルゴリズムを組み合わせる。私たちのアプローチは、そのアプローチよりも優れています。
論文参考訳（メタデータ） (2020-04-02T04:22:22Z)

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。