論文の概要: Accelerated wind farm yaw and layout optimisation with multi-fidelity
deep transfer learning wake models
- arxiv url: http://arxiv.org/abs/2303.16274v1
- Date: Tue, 28 Mar 2023 19:36:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-30 17:03:22.274615
- Title: Accelerated wind farm yaw and layout optimisation with multi-fidelity
deep transfer learning wake models
- Title（参考訳）: 多要素深層流速学習モデルによる風力発電ヨーの加速とレイアウト最適化
- Authors: Sokratis Anagnostopoulos, Jens Bauer, Mariana C. A. Clare, Matthew D.
Piggott
- Abstract要約: WakeNetは、広範囲のヨー角度、風速、乱流強度でハブ高さで一般化された2Dタービンのウェイク速度場を再現することができる。
低忠実度ガウスウェイクモデルで事前訓練したネットワークを微調整して、中忠実度カールウェイクモデルに対する正確なウェイク結果を得る。
高忠実度CFDデータセットでトレーニングした場合のwakeNetのウェイク評価時間も同様であることが期待される。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wind farm modelling has been an area of rapidly increasing interest with
numerous analytical as well as computational-based approaches developed to
extend the margins of wind farm efficiency and maximise power production. In
this work, we present the novel ML framework WakeNet, which can reproduce
generalised 2D turbine wake velocity fields at hub-height over a wide range of
yaw angles, wind speeds and turbulence intensities (TIs), with a mean accuracy
of 99.8% compared to the solution calculated using the state-of-the-art wind
farm modelling software FLORIS. As the generation of sufficient high-fidelity
data for network training purposes can be cost-prohibitive, the utility of
multi-fidelity transfer learning has also been investigated. Specifically, a
network pre-trained on the low-fidelity Gaussian wake model is fine-tuned in
order to obtain accurate wake results for the mid-fidelity Curl wake model. The
robustness and overall performance of WakeNet on various wake steering control
and layout optimisation scenarios has been validated through power-gain
heatmaps, obtaining at least 90% of the power gained through optimisation
performed with FLORIS directly. We also demonstrate that when utilising the
Curl model, WakeNet is able to provide similar power gains to FLORIS, two
orders of magnitude faster (e.g. 10 minutes vs 36 hours per optimisation case).
The wake evaluation time of wakeNet when trained on a high-fidelity CFD dataset
is expected to be similar, thus further increasing computational time gains.
These promising results show that generalised wake modelling with ML tools can
be accurate enough to contribute towards active yaw and layout optimisation,
while producing realistic optimised configurations at a fraction of the
computational cost, hence making it feasible to perform real-time active yaw
control as well as robust optimisation under uncertainty.
- Abstract（参考訳）: 風力発電のモデリングは、多くの分析的手法と、風力発電効率の限界を広げ、電力生産を最大化するために開発された計算に基づくアプローチによって、急速に関心を集めている分野である。
本研究では, 風速, 乱流強度 (tis) の広い範囲にわたって, hub-height における一般化された2次元タービン後流速度場を再現し, 風速モデリングソフトウェア floris を用いて計算した解と比較して, 平均99.8%の精度で再現できる新規な ml フレームワーク wakenet を提案する。
ネットワークトレーニング目的の十分な高忠実度データの生成はコストを抑えることができるため,多忠実度変換学習の有用性も検討されている。
具体的には、低忠実度ガウスウェイクモデルで事前訓練されたネットワークを微調整し、中忠実度カールウェイクモデルに対する正確なウェイク結果を得る。
様々なウェイクステアリング制御およびレイアウト最適化シナリオにおけるWakeNetの堅牢性と全体的な性能は、電力利得ヒートマップを通じて検証され、FLORISで直接実行される最適化によって得られる電力の少なくとも90%が得られた。
また、curlモデルを利用することで、wakenetは2桁の高速化(最適化ケース毎に10分対36時間など)であるflorisに同様のパワー向上を提供できることも示しています。
高忠実度CFDデータセットでトレーニングした場合のwakeNetのウェイク評価時間は類似しており、計算時間の増加が期待できる。
これらの有望な結果は、mlツールによる一般化されたウェイクモデリングは、アクティブなyawとレイアウトの最適化に貢献できるほど正確であると同時に、計算コストのごく一部で現実的な最適化構成を生成できることを示している。
関連論文リスト
- FM-TS: Flow Matching for Time Series Generation [71.31148785577085]
本稿では、時系列生成のための修正フローマッチングベースのフレームワークFM-TSを紹介する。
FM-TSは、トレーニングと推論の点でより効率的である。
我々は、太陽予測とMuJoCo計算タスクにおいて優れた性能を達成した。
論文 参考訳（メタデータ） (2024-11-12T03:03:23Z) - Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - Short-term Wind Speed Forecasting for Power Integration in Smart Grids based on Hybrid LSSVM-SVMD Method [0.0]
風力エネルギーは、最も広く利用されている再生可能エネルギー資源の1つとなっている。
グリッドシステムへの風力統合の成功は、正確な風速予測モデルに基づいている。
本稿では,短期風速予測のためのハイブリッド機械学習手法を提案する。
論文 参考訳（メタデータ） (2024-08-30T10:35:59Z) - rule4ml: An Open-Source Tool for Resource Utilization and Latency Estimation for ML Models on FPGA [0.0]
本稿では、FPGA上での合成と実装に先立って、ニューラルネットワーク(NN)のリソース利用と推論遅延を予測する新しい手法を提案する。
NNを高レベル合成(HLS)コードに変換するツールフローであるHLS4MLを活用している。
本手法では, 即時前合成予測に適応した回帰モデルを用いる。
論文 参考訳（メタデータ） (2024-08-09T19:35:10Z) - Adaptive Model Pruning and Personalization for Federated Learning over
Wireless Networks [72.59891661768177]
フェデレーション学習(FL)は、データプライバシを保護しながら、エッジデバイス間での分散学習を可能にする。
これらの課題を克服するために、部分的なモデルプルーニングとパーソナライズを備えたFLフレームワークを検討する。
このフレームワークは、学習モデルを、データ表現を学ぶためにすべてのデバイスと共有されるモデルプルーニングと、特定のデバイスのために微調整されるパーソナライズされた部分とで、グローバルな部分に分割する。
論文 参考訳（メタデータ） (2023-09-04T21:10:45Z) - Convolutional-Recurrent Neural Network Proxy for Robust Optimization and
Closed-Loop Reservoir Management [0.0]
畳み込みリカレントニューラルネットワーク(CNN-RNN)プロキシモデルを開発した。
この能力は、頑健な最適化に必要な目的関数と非線形制約値の推定を可能にする。
論文 参考訳（メタデータ） (2022-03-14T22:11:17Z) - 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) - FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。
現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。
提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
論文 参考訳（メタデータ） (2021-03-08T03:09:37Z) - FDFlowNet: Fast Optical Flow Estimation using a Deep Lightweight Network [12.249680550252327]
我々はFDFlowNet(fast Deep Flownet)と呼ばれるリアルタイム光フロー推定のための軽量で効果的なモデルを提案する。
我々は、PWC-Netの約2倍の速度で、挑戦的なKITTIとSintelベンチマークにおいて、より良い、あるいは同様の精度を達成する。
論文 参考訳（メタデータ） (2020-06-22T14:01:01Z) - Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。
本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
論文 参考訳（メタデータ） (2020-06-10T08:22:41Z) - An Image Enhancing Pattern-based Sparsity for Real-time Inference on
Mobile Devices [58.62801151916888]
パターンと接続性を組み合わせた新しい空間空間,すなわちパターンベースの空間空間を導入し,高度に正確かつハードウェアに親しみやすいものにした。
新たなパターンベースの空間性に対する我々のアプローチは,モバイルプラットフォーム上での高効率DNN実行のためのコンパイラ最適化に自然に適合する。
論文 参考訳（メタデータ） (2020-01-20T16:17:36Z)
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。