論文の概要: Prediction of wind turbines power with physics-informed neural networks and evidential uncertainty quantification

• arxiv url: http://arxiv.org/abs/2307.14675v1
• Date: Thu, 27 Jul 2023 07:58:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-28 15:19:17.161151
• Title: Prediction of wind turbines power with physics-informed neural networks and evidential uncertainty quantification
• Title（参考訳）: 物理形ニューラルネットワークによる風力タービンパワーの予測と見かけの不確実性定量化
• Authors: Alfonso Gij\'on, Ainhoa Pujana-Goitia, Eugenio Perea, Miguel Molina-Solana and Juan G\'omez-Romero
• Abstract要約: 物理インフォームドニューラルネットワークを用いて、風力発電所の4基のタービンから得られた履歴データを再現する。 パワー, トルク, パワー係数の回帰モデルでは, 実データ, 物理式ともに精度が高いことがわかった。
• 参考スコア（独自算出の注目度）: 2.126171264016785
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The ever-growing use of wind energy makes necessary the optimization of turbine operations through pitch angle controllers and their maintenance with early fault detection. It is crucial to have accurate and robust models imitating the behavior of wind turbines, especially to predict the generated power as a function of the wind speed. Existing empirical and physics-based models have limitations in capturing the complex relations between the input variables and the power, aggravated by wind variability. Data-driven methods offer new opportunities to enhance wind turbine modeling of large datasets by improving accuracy and efficiency. In this study, we used physics-informed neural networks to reproduce historical data coming from 4 turbines in a wind farm, while imposing certain physical constraints to the model. The developed models for regression of the power, torque, and power coefficient as output variables showed great accuracy for both real data and physical equations governing the system. Lastly, introducing an efficient evidential layer provided uncertainty estimations of the predictions, proved to be consistent with the absolute error, and made possible the definition of a confidence interval in the power curve.
• Abstract（参考訳）: 風力エネルギーの継続的な利用により、ピッチアングル制御によるタービン操作の最適化と早期故障検出によるメンテナンスが必要となる。 風力タービンの挙動を模倣する正確で堅牢なモデルを持つことは、特に風速の関数として発生した電力を予測するために重要である。 既存の経験的モデルと物理学に基づくモデルは、風の変動によって増大する入力変数とパワーの間の複雑な関係を捉えるのに限界がある。 データ駆動方式は、精度と効率を向上させることにより、大きなデータセットの風力タービンモデリングを強化する新たな機会を提供する。 本研究では,物理に変形したニューラルネットワークを用いて,風力発電所の4つのタービンから得られた過去のデータを再現し,そのモデルに一定の物理的制約を課した。 出力変数としてのパワー,トルク,パワー係数の回帰モデルでは,実データと物理方程式の両方において高い精度を示した。 最後に、効率的な立証層の導入は予測の不確実性推定を提供し、絶対誤差と一致し、パワー曲線における信頼区間の定義を可能にした。

関連論文リスト

• Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
  機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。 異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
  論文  参考訳（メタデータ） (2023-07-25T14:09:53Z)
• 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)
• 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)
• Knowledge distillation with error-correcting transfer learning for wind power prediction [6.385624548310884]
  本稿では,タービンパワー予測のための数学的基盤を持つ新しい枠組みを提案する。 良質な知識蒸留と伝達学習パラメータチューニングに基づいて開発された。 提案手法は, 良好な知識蒸留と伝達学習パラメータチューニングに基づいて開発され, 競争相手の3.3%から23.9%に向上した。
  論文  参考訳（メタデータ） (2022-04-01T18:31:47Z)
• Measuring Wind Turbine Health Using Drifting Concepts [55.87342698167776]
  風力タービンの健全性解析のための2つの新しい手法を提案する。 第1の方法は、比較的高低電力生産の減少または増加を評価することを目的とする。 第2の方法は抽出された概念の全体的ドリフトを評価する。
  論文  参考訳（メタデータ） (2021-12-09T14:04:55Z)
• Wind Power Projection using Weather Forecasts by Novel Deep Neural Networks [0.0]
  最適化された機械学習アルゴリズムを用いることで、観測結果に隠れたパターンを見つけ、意味のあるデータを得ることができる。 電力曲線を用いた風力予測におけるパラメトリックモデルと非パラメトリックモデルの利用について検討した。
  論文  参考訳（メタデータ） (2021-08-22T17:46:36Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Probabilistic Neural Network to Quantify Uncertainty of Wind Power Estimation [3.4376560669160385]
  モンテカルロ・ドロップアウトを用いた確率論的ニューラルネットワークは、パワーカーブ推定のモデル不確かさを定量化すると考えられる。 開発したネットワークは、性能を評価するのに有用なツールであるモデルとノイズの不確実性の両方をキャプチャする。
  論文  参考訳（メタデータ） (2021-06-04T19:15:53Z)
• Performance Comparison of Different Machine Learning Algorithms on the Prediction of Wind Turbine Power Generation [0.0]
  風力の浸透は電力システムの配給および計画の難しさそして複雑さを高めました。 電力のバランスをとるためには,高精度な風力予測を行う必要がある。
  論文  参考訳（メタデータ） (2021-05-11T17:02:24Z)
• 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)
• 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)

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。