論文の概要: Wind Power Scenario Generation Using Graph Convolutional Generative Adversarial Network

• arxiv url: http://arxiv.org/abs/2212.10454v1
• Date: Mon, 19 Dec 2022 02:42:31 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 14:46:15.867501
• Title: Wind Power Scenario Generation Using Graph Convolutional Generative Adversarial Network
• Title（参考訳）: graph convolutional generative adversarial networkを用いた風力発電シナリオ生成
• Authors: Young-ho Cho, Shaohui Liu, Duehee Lee, and Hao Zhu
• Abstract要約: 我々は風力シナリオを生成するために,GCGAN (Graph Convolutional Generative Adversarial Network) アプローチを開発した。 我々は,複数のウィンドファーム間の空間的相関を埋め込むグラフフィルタと,時間的特徴フィルタを表現するための1次元(1次元)畳み込み層を提唱する。 オーストラリアにおける実風力データを用いた数値計算の結果,提案したGCGANが生み出すシナリオは,他のGANベースの出力よりも現実的な空間的・時間的統計値を示した。
• 参考スコア（独自算出の注目度）: 15.180479505941518
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Generating wind power scenarios is very important for studying the impacts of multiple wind farms that are interconnected to the grid. We develop a graph convolutional generative adversarial network (GCGAN) approach by leveraging GAN's capability in generating large number of realistic scenarios without using statistical modeling. Unlike existing GAN-based wind power data generation approaches, we design GAN's hidden layers to match the underlying spatial and temporal characteristics. We advocate to use graph filters to embed the spatial correlation among multiple wind farms, and a one-dimensional (1D) convolutional layer for representing the temporal feature filters. The proposed graph and feature filter designs significantly reduce the GAN model complexity, leading to improvements on the training efficiency and computation complexity. Numerical results using real wind power data from Australia demonstrate that the scenarios generated by the proposed GCGAN exhibit more realistic spatial and temporal statistics than other GAN-based outputs.
• Abstract（参考訳）: 風力発電のシナリオの生成は、グリッドと接続される複数の風力発電所の影響を研究する上で非常に重要である。 我々は,統計モデルを用いることなく,多数の現実シナリオを生成するGANの能力を生かして,グラフ畳み込み生成対向ネットワーク(GCGAN)アプローチを開発する。 既存のGANベースの風力発電データ生成手法とは異なり、GANの隠れ層を設計し、その基礎となる空間的特性と時間的特性に適合させる。 我々は,複数のウィンドファーム間の空間的相関を埋め込むグラフフィルタと,時間的特徴フィルタを表現するための1次元(1次元)畳み込み層を提唱する。 提案するグラフと特徴フィルタの設計はganモデルの複雑さを大幅に削減し、トレーニング効率と計算の複雑さを改善した。 オーストラリアにおける実風力データを用いた数値計算の結果,提案したGCGANが生み出すシナリオは,他のGANベースの出力よりも現実的な空間的・時間的統計値を示した。

関連論文リスト

• Applying Ensemble Models based on Graph Neural Network and Reinforcement Learning for Wind Power Forecasting [1.4710752403175422]
  WPF(Wind Power Forecasting)のためのグラフニューラルネットワークと強化学習(EMGRL)に基づくアンサンブルモデルを提案する。 提案手法は,1) 対象の風力発電に関連する近隣の風力発電所の時系列データを取得するためにグラフニューラルネットワークを適用し,(2) 対象の風力発電所のデータと目標の風力発電所の基地モデルの歴史的性能を統合する汎用的な組込みを確立すること,(3) WPF のアクタ批判的強化学習フレームワークを通じて,全ての基地モデルの利点を集成し活用することを含む。
  論文  参考訳（メタデータ） (2025-01-28T00:12:26Z)
• Climate Aware Deep Neural Networks (CADNN) for Wind Power Simulation [0.7783262415147654]
  風力発電予測は現代のエネルギーシステムにおいて重要な役割を担い、再生可能エネルギー源の電力網への統合を促進する。 本稿では,風力シミュレーションの精度を向上させるために,気候変数を利用したディープニューラルネットワーク(DNN)に基づく予測モデルを提案する。
  論文  参考訳（メタデータ） (2024-12-11T14:22:52Z)
• SeaDAG: Semi-autoregressive Diffusion for Conditional Directed Acyclic Graph Generation [83.52157311471693]
  方向性非巡回グラフ(DAG)の条件生成のための半自己回帰拡散モデルSeaDAGを紹介する。 グローバルグラフ構造を欠いた従来の自己回帰生成とは異なり,本手法は拡散ステップ毎に完全なグラフ構造を保持する。 本研究では,現実的なDAGを生成する拡散モデルの能力を高めるために,条件損失を伴うグラフ条件学習を明示的に訓練する。
  論文  参考訳（メタデータ） (2024-10-21T15:47:03Z)
• Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series Forecasting Approach [71.67506068703314]
  長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。 伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。 本研究では,都市におけるモビリティ予測の新たな視点について紹介する。 都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
  論文  参考訳（メタデータ） (2023-12-04T07:39:05Z)
• FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
  現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。 提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-10T17:13:26Z)
• 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)
• Enhancing Short-Term Wind Speed Forecasting using Graph Attention and Frequency-Enhanced Mechanisms [17.901334082943077]
  GFST-WSFは、時間的特徴抽出のためのトランスフォーマーアーキテクチャと空間的特徴抽出のためのグラフ注意ネットワーク(GAT)を備える。 GATは風速局間の複雑な空間的依存関係を捉えるように設計されている。 地理的要因による隣接する風力発電所間の風速相関のモデル時間ラグ
  論文  参考訳（メタデータ） (2023-05-19T08:50:58Z)
• Temporal Aggregation and Propagation Graph Neural Networks for Dynamic Representation [67.26422477327179]
  時間グラフは連続時間を通してノード間の動的相互作用を示す。 本研究では,周辺地域全体と時間的グラフ畳み込みの新たな手法を提案する。 提案するTAP-GNNは,予測性能とオンライン推論遅延の両面で,既存の時間グラフ手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-15T08:17:18Z)
• Graph Transformer GANs for Graph-Constrained House Generation [223.739067413952]
  本稿では,グラフノード関係を効果的に学習するために,GTGAN(Graph Transformer Generative Adversarial Network)を提案する。 GTGANは、グラフ制約のある住宅生成タスクにおいて、エンドツーエンドで効率的なグラフノード関係を学習する。
  論文  参考訳（メタデータ） (2023-03-14T20:35:45Z)
• A Concurrent CNN-RNN Approach for Multi-Step Wind Power Forecasting [0.0]
  風力予測は、意思決定において高い確実性を持つことによって、電力システムの計画を支援する。 この課題を解決するための1つのアプローチは、地理的グリッドを横断する複数の地点からの気象情報を利用して、風力発電所の以前の出力からの時間情報とともに、風のパターンの全体像を得ることである。 提案したCNN-RNNアーキテクチャは,畳み込みニューラルネットワーク(CNN)と繰り返しニューラルネットワーク(RNN)を組み合わせて,多次元入力データから空間的および時間的情報を抽出し,日々の予測を行う。
  論文  参考訳（メタデータ） (2023-01-02T15:31:16Z)
• End-to-end Wind Turbine Wake Modelling with Deep Graph Representation Learning [7.850747042819504]
  本研究は,グラフニューラルネットワークと呼ばれるグラフ表現学習法に基づいて,風力タービンウェイクの表現のための代理モデルを提案する。 提案するエンドツーエンドディープラーニングモデルは、非構造化メッシュ上で直接動作し、高忠実度データに対して検証されている。 実世界の風力発電所に基づくケーススタディでは,提案手法による大規模発電予測の可能性をさらに実証する。
  論文  参考訳（メタデータ） (2022-11-24T15:00:06Z)

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。