論文の概要: A Novel Correlation-optimized Deep Learning Method for Wind Speed Forecast

• arxiv url: http://arxiv.org/abs/2306.01986v2
• Date: Fri, 9 Jun 2023 13:46:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-12 16:14:21.322835
• Title: A Novel Correlation-optimized Deep Learning Method for Wind Speed Forecast
• Title（参考訳）: 風速予測のための新しい相関最適化深層学習法
• Authors: Yang Yang, Jin Lang, Jian Wu, Yanyan Zhang, Xiang Zhao
• Abstract要約: 風力発電の設置率の増加は、世界的電力システムに大きな課題をもたらす。 深層学習は風速予測に徐々に応用される。 新しい認知と記憶ユニット(CMU)は、従来のディープラーニングフレームワークを強化するために設計されている。
• 参考スコア（独自算出の注目度）: 12.61580086941575
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increasing installation rate of wind power poses great challenges to the global power system. In order to ensure the reliable operation of the power system, it is necessary to accurately forecast the wind speed and power of the wind turbines. At present, deep learning is progressively applied to the wind speed prediction. Nevertheless, the recent deep learning methods still reflect the embarrassment for practical applications due to model interpretability and hardware limitation. To this end, a novel deep knowledge-based learning method is proposed in this paper. The proposed method hybridizes pre-training method and auto-encoder structure to improve data representation and modeling of the deep knowledge-based learning framework. In order to form knowledge and corresponding absorbers, the original data is preprocessed by an optimization model based on correlation to construct multi-layer networks (knowledge) which are absorbed by sequence to sequence (Seq2Seq) models. Specifically, new cognition and memory units (CMU) are designed to reinforce traditional deep learning framework. Finally, the effectiveness of the proposed method is verified by three wind prediction cases from a wind farm in Liaoning, China. Experimental results show that the proposed method increases the stability and training efficiency compared to the traditional LSTM method and LSTM/GRU-based Seq2Seq method for applications of wind speed forecasting.
• Abstract（参考訳）: 風力発電の設置率の増加は、世界的電力システムに大きな課題をもたらす。 風力発電システムの信頼性を確保するためには,風力タービンの風速と動力を正確に予測する必要がある。 現在、深層学習は風速予測に段階的に適用される。 しかし、近年のディープラーニング手法は、モデル解釈可能性やハードウェアの制限により、実用上の困惑を反映している。 そこで本稿では,新しい深層知識に基づく学習法を提案する。 提案手法は,事前学習手法とオートエンコーダ構造をハイブリダイズし,深層知識に基づく学習フレームワークのデータ表現とモデリングを改善する。 知識と対応する吸収器を形成するために、相関に基づく最適化モデルにより元のデータを前処理し、シーケンスからシーケンス(seq2seq)モデルに吸収される多層ネットワーク(knowledge)を構築する。 具体的には、従来のディープラーニングフレームワークを強化するために、新しい認知と記憶ユニット(CMU)が設計されている。 最後に, 提案手法の有効性を, 中国梁寧省の風力発電所から3つの風速予測事例で検証した。 風速予測のためのLSTM法とLSTM/GRUベースのSeq2Seq法と比較して,提案手法は安定性と訓練効率を向上することを示した。

関連論文リスト

• Interpolation-Free Deep Learning for Meteorological Downscaling on Unaligned Grids Across Multiple Domains with Application to Wind Power [0.0]
  風力発電は加速し、その効率性を確保するためには信頼性の高い風力確率予測が不可欠である。 数値風速予測モデルは計算に費用がかかるため、全てのメソスケール風速を捉えるには大きすぎる解像度で確率予測が生成される。 統計的ダウンスケーリングは、低分解能(LR)変数から高分解能(HR)気象変数への写像を学習することで、計算コストの低い実行可能な解を提供する。
  論文  参考訳（メタデータ） (2024-10-04T22:04:40Z)
• SaRA: High-Efficient Diffusion Model Fine-tuning with Progressive Sparse Low-Rank Adaptation [52.6922833948127]
  本研究では,事前学習した拡散モデルにおけるパラメータの重要性について検討する。 本稿では,これらの非効率パラメータをフル活用するための新しいモデル微調整法を提案する。 本手法は,下流アプリケーションにおける事前学習モデルの生成能力を向上する。
  論文  参考訳（メタデータ） (2024-09-10T16:44:47Z)
• Faithful Explanations of Black-box NLP Models Using LLM-generated Counterfactuals [67.64770842323966]
  NLPシステムの予測に関する因果的説明は、安全性を確保し、信頼を確立するために不可欠である。 既存の手法は、しばしばモデル予測を効果的または効率的に説明できない。 本稿では, 対物近似(CF)の2つの手法を提案する。
  論文  参考訳（メタデータ） (2023-10-01T07:31:04Z)
• Multiplicative update rules for accelerating deep learning training and increasing robustness [69.90473612073767]
  我々は、幅広い機械学習アルゴリズムに適合し、代替の更新ルールを適用することができる最適化フレームワークを提案する。 提案するフレームワークはトレーニングを加速する一方、従来の追加更新ルールとは対照的に、より堅牢なモデルにつながります。
  論文  参考訳（メタデータ） (2023-07-14T06:44:43Z)
• Guaranteed Conservation of Momentum for Learning Particle-based Fluid Dynamics [96.9177297872723]
  本稿では,学習物理シミュレーションにおける線形運動量を保証する新しい手法を提案する。 我々は、強い制約で運動量の保存を強制し、反対称的な連続的な畳み込み層を通して実現する。 提案手法により,学習シミュレータの物理的精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2022-10-12T09:12:59Z)
• Physics-Inspired Temporal Learning of Quadrotor Dynamics for Accurate Model Predictive Trajectory Tracking [76.27433308688592]
  クオーロタのシステムダイナミクスを正確にモデル化することは、アジャイル、安全、安定したナビゲーションを保証する上で非常に重要です。 本稿では,ロボットの経験から,四重項系の力学を純粋に学習するための新しい物理インスパイアされた時間畳み込みネットワーク(PI-TCN)を提案する。 提案手法は,スパース時間的畳み込みと高密度フィードフォワード接続の表現力を組み合わせて,正確なシステム予測を行う。
  論文  参考訳（メタデータ） (2022-06-07T13:51:35Z)
• Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
  イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。 我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。 最適設計と性能は場所によって異なることがわかった。
  論文  参考訳（メタデータ） (2022-04-01T14:55:10Z)
• 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)
• Real-time Forecast Models for TBM Load Parameters Based on Machine Learning Methods [6.247628933072029]
  本論文では, TBM運用データに基づいて機械学習(ML)手法を用いて, TBM負荷パラメータのリアルタイム予測モデルを構築する。 モデル複雑性を低減し、一般化を改善するため、予測タスクの本質的特徴を抽出するために、最小絶対縮小および選択法(Lasso)を適用した。
  論文  参考訳（メタデータ） (2021-04-12T07:31:39Z)
• 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)
• An Evolutionary Deep Learning Method for Short-term Wind Speed Prediction: A Case Study of the Lillgrund Offshore Wind Farm [6.939496425463776]
  本研究は,2つのLong Short-term memory(LSTM) ANNモデルのハイパーパラメータを風速予測のために調整するために,一般的な進化的探索アルゴリズムであるCMA-ESを用いた新しいハイブリッド進化的アプローチを用いる。 提案されたハイブリッドアプローチは、バルト海にあるスウェーデンの風力発電所に設置されたオフショア風力タービンから収集されたデータに基づいて訓練される。
  論文  参考訳（メタデータ） (2020-02-21T03:28:17Z)

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。