論文の概要: A novel framework for medium-term wind power prediction based on temporal attention mechanisms

• arxiv url: http://arxiv.org/abs/2302.01222v4
• Date: Wed, 3 May 2023 14:55:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-04 18:04:00.180607
• Title: A novel framework for medium-term wind power prediction based on temporal attention mechanisms
• Title（参考訳）: 時間的注意機構に基づく中期風力予測のための新しい枠組み
• Authors: Meiyu Jiang, Jun Shen, Xuetao Jiang, Qingguo Zhou, Rui Zhou
• Abstract要約: 本稿では,木構造パーゼン推定器(TPE)と分解アルゴリズムによる新しい短期予測フレームワークを提案する。 フランスの電力会社による風速データセットにおいて,提案手法は予測精度を著しく向上させることを示した。
• 参考スコア（独自算出の注目度）: 5.963695820179865
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wind energy is a widely distributed, recyclable and environmentally friendly energy source that plays an important role in mitigating global warming and energy shortages. Wind energy's uncertainty and fluctuating nature makes grid integration of large-scale wind energy systems challenging. Medium-term wind power forecasts can provide an essential basis for energy dispatch, so accurate wind power forecasts are essential. Much research has yielded excellent results in recent years. However, many of them require additional experimentation and analysis when applied to other data. In this paper, we propose a novel short-term forecasting framework by tree-structured parzen estimator (TPE) and decomposition algorithms. This framework defines the TPE-VMD-TFT method for 24-h and 48-h ahead wind power forecasting based on variational mode decomposition (VMD) and time fusion transformer (TFT). In the Engie wind dataset from the electricity company in France, the results show that the proposed method significantly improves the prediction accuracy. In addition, the proposed framework can be used to other decomposition algorithms and require little manual work in model training.
• Abstract（参考訳）: 風力エネルギーは広く分布し、リサイクル可能で環境に優しいエネルギー源であり、地球温暖化とエネルギー不足の緩和に重要な役割を果たしている。 風力エネルギーの不確実性と変動する性質は、大規模な風力エネルギーシステムのグリッド統合を困難にしている。 中期風力予測はエネルギー供給に不可欠な基盤となりうるため、正確な風力予測が不可欠である。 近年、多くの研究が成果を上げている。 しかし、それらの多くは、他のデータに適用する際に追加の実験と分析を必要とする。 本稿では,木構造パーゼン推定器(TPE)と分解アルゴリズムによる新しい短期予測フレームワークを提案する。 本フレームワークは,変分モード分解(VMD)と時間融合変圧器(TFT)に基づいて,24時間および48時間先進風力予測のためのTPE-VMD-TFT法を定義する。 フランスの電力会社による風速データセットにおいて,提案手法は予測精度を大幅に向上させることを示した。 さらに、提案されたフレームワークは、他の分解アルゴリズムで使用することができ、モデルトレーニングで手作業がほとんど必要ない。

関連論文リスト

• Hiformer: Hybrid Frequency Feature Enhancement Inverted Transformer for Long-Term Wind Power Prediction [6.936415534357298]
  ハイブリット周波数特徴強調変換器(ハイフォーマ)という新しい手法を提案する。 Hiformerは、気象条件と風力発電の相関関係のモデリングを強化するために、信号分解技術と気象特徴抽出技術を統合する。 最先端の手法と比較して、(i)予測精度を最大52.5%向上させ、(ii)計算時間を最大68.5%削減することができる。
  論文  参考訳（メタデータ） (2024-10-17T08:00:36Z)
• Efficient Deterministic Renewable Energy Forecasting Guided by Multiple-Location Weather Data [4.048814984274799]
  本稿では,複数の発電施設を対象とした風力・太陽光発電予測手法を提案する。 気象及びエネルギー関連時系列の時間的処理にU字型の時間的畳み込み自動エンコーダアーキテクチャを用いる。 5つのデータセットの日平均太陽・風力エネルギー予測シナリオを実験により評価し,提案手法が最上位となることを示した。
  論文  参考訳（メタデータ） (2024-04-26T09:30:55Z)
• Bias correction of wind power forecasts with SCADA data and continuous learning [0.0]
  我々は,4つの機械学習に基づく風力予測モデルを提示し,評価し,比較する。 本モデルは,65基の風力タービンからなるウィンドパークのデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2024-02-21T16:31:45Z)
• Global Transformer Architecture for Indoor Room Temperature Forecasting [49.32130498861987]
  本研究は,多室ビルにおける室内温度予測のためのグローバルトランスフォーマーアーキテクチャを提案する。 エネルギー消費を最適化し、HVACシステムに関連する温室効果ガス排出を削減することを目的としている。 本研究は,マルチルームビルにおける室内温度予測にトランスフォーマーアーキテクチャを適用した最初の事例である。
  論文  参考訳（メタデータ） (2023-10-31T14:09:32Z)
• 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)
• 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)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Probabilistic forecasts of wind power generation in regions with complex topography using deep learning methods: An Arctic case [3.3788638227700734]
  本研究は,ディープラーニングを用いた確率的予測に関する概念とアプローチを提示する。 深層学習モデルを用いて、ノルウェー北部の風力発電所から日頭発電の確率予測を行う。
  論文  参考訳（メタデータ） (2022-03-10T15:52:11Z)
• Calibration of wind speed ensemble forecasts for power generation [0.0]
  過去数十年間、風力発電は欧州連合で2番目に大きな電力供給源となり、電力需要の16%を占めた。 そのボラティリティのため、風力エネルギーを電気グリッドにうまく統合するには、正確な短距離風力予測が必要である。 生のアンサンブルと比較すると,ポストプロセッシングは常に確率的および精度の高い点予測のキャリブレーションを改善する。
  論文  参考訳（メタデータ） (2021-04-30T11:18:03Z)
• Physics-Informed Gaussian Process Regression for Probabilistic States Estimation and Forecasting in Power Grids [67.72249211312723]
  電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。 PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。 提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
  論文  参考訳（メタデータ） (2020-10-09T14:18:31Z)

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。