論文の概要: Long-Term Hourly Scenario Generation for Correlated Wind and Solar Power combining Variational Autoencoders with Radial Basis Function Kernels

• arxiv url: http://arxiv.org/abs/2306.16427v1
• Date: Tue, 27 Jun 2023 14:02:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-30 16:14:44.235615
• Title: Long-Term Hourly Scenario Generation for Correlated Wind and Solar Power combining Variational Autoencoders with Radial Basis Function Kernels
• Title（参考訳）: 変分オートエンコーダとラジアル基底関数カーネルを併用した風力発電・太陽光発電の長期時間シナリオ生成
• Authors: Julio Alberto Silva Dias
• Abstract要約: 本研究では,風力発電と太陽光発電の長期シナリオを創出するための革新的な手法を提案する。 人工ニューラルネットワークアーキテクチャにラジアル基底関数(RBF)カーネルを組み込むことで、正規化特性を改善した潜在空間を得る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate generation of realistic future scenarios of renewable energy generation is crucial for long-term planning and operation of electrical systems, especially considering the increasing focus on sustainable energy and the growing penetration of renewable generation in energy matrices. These predictions enable power system operators and energy planners to effectively manage the variability and intermittency associated with renewable generation, allowing for better grid stability, improved energy management, and enhanced decision-making processes. In this paper, we propose an innovative method for generating long-term hourly scenarios for wind and solar power generation, taking into consideration the correlation between these two energy sources. To achieve this, we combine the capabilities of a Variational Autoencoder (VAE) with the additional benefits of incorporating the Radial Basis Function (RBF) kernel in our artificial neural network architecture. By incorporating them, we aim to obtain a latent space with improved regularization properties. To evaluate the effectiveness of our proposed method, we conduct experiments in a representative study scenario, utilizing real-world wind and solar power generation data from the Brazil system. We compare the scenarios generated by our model with the observed data and with other sets of scenarios produced by a conventional VAE architecture. Our experimental results demonstrate that the proposed method can generate long-term hourly scenarios for wind and solar power generation that are highly correlated, accurately capturing the temporal and spatial characteristics of these energy sources. Taking advantage of the benefits of RBF in obtaining a well-regularized latent space, our approach offers improved accuracy and robustness in generating long-term hourly scenarios for renewable energy generation.
• Abstract（参考訳）: 再生可能エネルギーの正確な将来シナリオの創出は、特に持続可能エネルギーの集中化とエネルギーマトリックスの再生可能エネルギーの浸透の増大を考えると、電気システムの長期計画と運用に不可欠である。 これらの予測により、電力系統のオペレータとエネルギープランナーは、再生可能エネルギーの発生に伴う変動性と断続性を効果的に管理でき、グリッドの安定性の向上、エネルギー管理の改善、意思決定プロセスの強化が可能になる。 本稿では,この2つのエネルギー源の相関を考慮した,風力発電と太陽光発電の長期シナリオ生成のための革新的な手法を提案する。 これを実現するために、可変オートエンコーダ(VAE)の機能と、人工ニューラルネットワークアーキテクチャにラジアル基底関数(RBF)カーネルを組み込むことのメリットを併用する。 それらを組み込むことで、正規化特性を改善した潜在空間を得る。 提案手法の有効性を評価するため,ブラジルにおける実世界の風力と発電データを利用して,代表的な研究シナリオで実験を行った。 我々は、我々のモデルで生成されたシナリオと観測データを比較し、従来のVAEアーキテクチャで生成された他のシナリオと比較する。 実験の結果,提案手法は風力と太陽発電の長期的シナリオを生成することが可能であり,これらのエネルギー源の時間的・空間的特性を正確に把握できることがわかった。 RBFの利点を生かして, 再生可能エネルギー生成のための長期シナリオの生成における精度と堅牢性を向上させる。

関連論文リスト

• Weather-Informed Probabilistic Forecasting and Scenario Generation in Power Systems [15.393565192962482]
  再生可能エネルギー源の電力グリッドへの統合は、その本質性と不確実性のために大きな課題を呈している。 本稿では,高次元環境下での日頭予測と風のシナリオ生成のための確率予測とガウスコプラを組み合わせる手法を提案する。
  論文  参考訳（メタデータ） (2024-09-11T21:44:59Z)
• 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)
• Tree-based Forecasting of Day-ahead Solar Power Generation from Granular Meteorological Features [1.8638865257327277]
  このような予測を生成するには、最先端のツリーベース機械学習手法を用いる。 ベルギーのデータと1時間の解像度で日毎のPV発電を予測しています。
  論文  参考訳（メタデータ） (2023-11-30T08:47:37Z)
• 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)
• Combating Uncertainties in Wind and Distributed PV Energy Sources Using Integrated Reinforcement Learning and Time-Series Forecasting [2.774390661064003]
  再生可能エネルギーの予測不能は 電力供給会社や電力会社に 課題をもたらします i)Long-Short Term Memory (LSTM) ソリューションを用いた時系列予測と,(ii)Deep Deterministic Policy Gradient (DDPG)アルゴリズムを用いたマルチエージェント強化学習による分散動的意思決定フレームワークの確立という,スマートグリッドにおける再生可能エネルギーの不確実性に対処する新たなフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-27T19:12:50Z)
• A novel automatic wind power prediction framework based on multi-time scale and temporal attention mechanisms [6.120692237856329]
  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。
  論文  参考訳（メタデータ） (2023-02-02T17:03:08Z)
• Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
  本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。 特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
  論文  参考訳（メタデータ） (2022-11-29T01:18:58Z)
• An Energy-Based Prior for Generative Saliency [62.79775297611203]
  本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。 生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。 実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
  論文  参考訳（メタデータ） (2022-04-19T10:51:00Z)
• Validation Methods for Energy Time Series Scenarios from Deep Generative Models [55.41644538483948]
  一般的なシナリオ生成アプローチでは、データ分散に関する前提なしにシナリオを生成するディープ生成モデル(DGM)を使用する。 エネルギーシナリオ生成文献における現在使われている検証手法の批判的評価を行う。 過去のデータと生成されたデータの両方に4つの検証手法を適用し、検証結果の解釈と、一般的な誤り、落とし穴、検証方法の限界について議論する。
  論文  参考訳（メタデータ） (2021-10-27T14:14:25Z)
• Energy Aware Deep Reinforcement Learning Scheduling for Sensors Correlated in Time and Space [62.39318039798564]
  相関情報を利用するスケジューリング機構を提案する。 提案したメカニズムは、センサが更新を送信する頻度を決定することができる。 我々は,センサの寿命を大幅に延長できることを示した。
  論文  参考訳（メタデータ） (2020-11-19T09:53:27Z)

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。