論文の概要: A novel automatic wind power prediction framework based on multi-time scale and temporal attention mechanisms

• arxiv url: http://arxiv.org/abs/2302.01222v5
• Date: Tue, 5 Sep 2023 15:02:04 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 06:46:52.001503
• Title: A novel automatic wind power prediction framework based on multi-time scale and temporal attention mechanisms
• Title（参考訳）: マルチタイムスケールと時間的注意機構に基づく新しい風力予測フレームワーク
• Authors: Meiyu Jiang, Jun Shen, Xuetao Jiang, Lihui Luo, Rui Zhou, Qingguo Zhou
• Abstract要約: 風力発電は、ボラティリティ、断続性、ランダム性によって特徴づけられる。 従来の風力発電予測システムは、主に超短期または短期的な予測に焦点を当てている。 マルチタイムスケールで風力を予測できる自動フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.120692237856329
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wind energy is a widely distributed, renewable, and environmentally friendly energy source that plays a crucial role in mitigating global warming and addressing energy shortages. Nevertheless, wind power generation is characterized by volatility, intermittence, and randomness, which hinder its ability to serve as a reliable power source for the grid. Accurate wind power forecasting is crucial for developing a new power system that heavily relies on renewable energy sources. However, traditional wind power forecasting systems primarily focus on ultra-short-term or short-term forecasts, limiting their ability to address the diverse adjustment requirements of the power system simultaneously. To overcome these challenges, We propose an automatic framework capable of forecasting wind power across multi-time scale. The framework based on the tree-structured Parzen estimator (TPE) and temporal fusion transformer (TFT) that can provide ultra-short-term, short-term and medium-term wind power forecasting power.Our approach employs the TFT for wind power forecasting and categorizes features based on their properties. Additionally, we introduce a generic algorithm to simultaneously fine-tune the hyperparameters of the decomposition method and model. We evaluate the performance of our framework by conducting ablation experiments using three commonly used decomposition algorithms and six state-of-the-art models for forecasting multi-time scale. The experimental results demonstrate that our proposed method considerably improves prediction accuracy on the public dataset Engie https://opendata-renewables.engie.com. Compared to the second-best state-of-the-art model, our approach exhibits a reduction of 31.75% and 28.74% in normalized mean absolute error (nMAE) for 24-hour forecasting, and 20.79% and 16.93% in nMAE for 48-hour forecasting, respectively.
• Abstract（参考訳）: 風力エネルギーは広く分布し、再生可能で、環境に優しいエネルギー源であり、地球温暖化の緩和とエネルギー不足への対処に重要な役割を果たしている。 それでも、風力発電は変動性、断続性、ランダム性が特徴であり、グリッドの信頼性の高い電源として機能することを妨げる。 風力発電の正確な予測は、再生可能エネルギー源に大きく依存する新しい発電システムの開発に不可欠である。 しかし、従来の風力発電予測システムは、主に極短または短期の予測に焦点を当てており、電力システムの多様な調整要求に同時に対処する能力を制限する。 これらの課題を克服するために,マルチタイムスケールでの風力予測が可能な自動フレームワークを提案する。 本手法では, 風力予測にTFTを用い, その特性に基づいて特徴を分類する。 さらに,分解法とモデルのハイパーパラメータを同時に微調整する汎用アルゴリズムを提案する。 3つの一般的な分解アルゴリズムと6つの最先端モデルを用いて,マルチタイムスケール予測のためのアブレーション実験を行うことで,フレームワークの性能を評価する。 実験の結果,提案手法は公開データセット engie https://opendata-renewables.engie.com の予測精度を大幅に向上させることがわかった。 第2の最先端モデルと比較して,24時間予測では正規化平均絶対誤差(nmae)が31.75%,28.74%,48時間予測では20.79%,16.93%であった。

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。