Fugu-MT 論文翻訳(概要): Application of BERT in Wind Power Forecasting-Teletraan's Solution in Baidu KDD Cup 2022

論文の概要: Application of BERT in Wind Power Forecasting-Teletraan's Solution in Baidu KDD Cup 2022

arxiv url: http://arxiv.org/abs/2307.09248v1
Date: Tue, 18 Jul 2023 13:28:30 GMT
ステータス: 処理完了
システム内更新日: 2023-07-19 14:33:13.697056
Title: Application of BERT in Wind Power Forecasting-Teletraan's Solution in Baidu KDD Cup 2022
Title（参考訳）: Baidu KDDカップ2022におけるBERTの風力発電予測システムへの応用
Authors: Longxing Tan and Hongying Yue
Abstract要約: Baidu KDDカップ2022に適用されるBERTモデルを紹介する。日次変動は後処理によって追加され、予測結果を日次周期に合わせる。私たちのソリューションは2490チームの3位を獲得します。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Nowadays, wind energy has drawn increasing attention as its important role in carbon neutrality and sustainable development. When wind power is integrated into the power grid, precise forecasting is necessary for the sustainability and security of the system. However, the unpredictable nature and long sequence prediction make it especially challenging. In this technical report, we introduce the BERT model applied for Baidu KDD Cup 2022, and the daily fluctuation is added by post-processing to make the predicted results in line with daily periodicity. Our solution achieves 3rd place of 2490 teams. The code is released athttps://github.com/LongxingTan/KDD2022-Baidu
Abstract（参考訳）: 近年、風力エネルギーは炭素中立性と持続可能な開発において重要な役割を担っている。風力発電が電力網に統合されると、システムの持続可能性とセキュリティに正確な予測が必要である。しかし、予測不可能な性質と長いシーケンス予測は特に困難である。本報告では,baidu kddカップ2022に適用したbertモデルを紹介し,日次変動を後処理により加えることにより,予測結果を日次周期性に合致させる。私たちのソリューションは2490チームの3位を獲得します。コードはhttps://github.com/LongxingTan/KDD2022-Baiduで公開されている。

関連論文リスト

FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。日時から季節時の予測誤差成長に関するアブレーション実験
論文参考訳（メタデータ） (2024-11-15T13:44:37Z)
TCNFormer: Temporal Convolutional Network Former for Short-Term Wind Speed Forecasting [9.47727784069628]
本研究は,短期(12時間)の風速予測のための時間的コンテンポラル前駆体 (TCNFormer) を提案する。以上の結果から,TNFormerは予測精度において最先端モデルよりも優れていたことが示唆された。
論文参考訳（メタデータ） (2024-08-27T15:35:42Z)
WindDragon: Enhancing wind power forecasting with Automated Deep Learning [0.5755004576310334]
本稿では,国家レベルでの短期(1～6時間地平線)風力予測への革新的アプローチを提案する。この手法は,風速マップと数値気象予測を組み合わせた自動ディープラーニングを利用して,風力の正確な予測を行う。
論文参考訳（メタデータ） (2024-02-22T08:55:21Z)
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)
BUAA_BIGSCity: Spatial-Temporal Graph Neural Network for Wind Power Forecasting in Baidu KDD CUP 2022 [22.15262401549984]
Baidu KDD Cup 2022 Space Dynamic Wind Power Forecasting Challenge について述べる。我々は2つの時空間グラフニューラルネットワークモデル、すなわちAGCRNとMTGNNを基本モデルとして採用する。私たちの方法では、テストセットで-45.36026を達成しています。
論文参考訳（メタデータ） (2023-02-22T05:47:45Z)
Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model [72.65502770895417]
176ビリオンパラメータ言語モデルBLOOMの炭素フットプリントを,そのライフサイクルにわたって定量化する。 BLOOMの最終訓練で約24.7トンのカルボネックが放出されたと推定する。本稿では,機械学習モデルの炭素フットプリントを正確に推定することの難しさについて論じる。
論文参考訳（メタデータ） (2022-11-03T17:13:48Z)
SDWPF: A Dataset for Spatial Dynamic Wind Power Forecasting Challenge at KDD Cup 2022 [42.72560292756442]
本稿では,一意な空間風力予測データセットであるSDWPFを提案する。このデータセットは風力タービンの空間分布と動的文脈因子を含む。このデータセットを使用して、Baidu KDD Cup 2022をローンチし、現在のWPFソリューションの限界を調べます。
論文参考訳（メタデータ） (2022-08-08T18:38:45Z)
Confidence Estimation Transformer for Long-term Renewable Energy Forecasting in Reinforcement Learning-based Power Grid Dispatching [17.41017767906797]
本稿では,強化学習に基づく電力グリッドの配電における長期再生可能エネルギー予測のための信頼度推定変換器を提案する。 SG-126電力グリッドシミュレータで行った実験によると、コンフォーマー・RLパッチングはセキュリティスコアにおいて2番目のアルゴリズムDDPGよりも大幅に改善されている。
論文参考訳（メタデータ） (2022-04-10T06:18:23Z)
Changes in European Solidarity Before and During COVID-19: Evidence from a Large Crowd- and Expert-Annotated Twitter Dataset [77.27709662210363]
我々は,NLPにおける教師付き機械学習の新たな課題として,社会的連帯という社会科学的概念とその競争,反連帯の概念を導入する。我々は,複数のアノテータと2つのアノテーションアプローチ(専門家対群衆)を利用して,(反)整合性表現のための2.3kの英語とドイツ語のつぶやきを注釈する。今回の結果は、新型コロナウイルス危機で連帯がますます健全になり、競争が激化したことを示している。
論文参考訳（メタデータ） (2021-08-02T17:03:12Z)
The impact of online machine-learning methods on long-term investment decisions and generator utilization in electricity markets [69.68068088508505]
電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
論文参考訳（メタデータ） (2021-03-07T11:28:54Z)

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。