論文の概要: How to forecast power generation in wind farms? Insights from leveraging hierarchical structure

• arxiv url: http://arxiv.org/abs/2308.03472v1
• Date: Mon, 7 Aug 2023 11:02:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-08 14:01:20.677371
• Title: How to forecast power generation in wind farms? Insights from leveraging hierarchical structure
• Title（参考訳）: 風力発電所における発電予測 階層構造活用からの洞察
• Authors: Lucas English, Mahdi Abolghasemi
• Abstract要約: 本研究は,異なる断面積法および断面積調整法の精度について検討した。 その結果,複数の時間的アグリゲーションにおいて,横断的和解は個々の断面的和解よりも優れていることがわかった。 また, 線形回帰は, 断続風速シリーズのほとんどのレベルにおいて, 機械学習モデルより優れていることを示す。
• 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: Forecasting of renewable energy generation provides key insights which may help with decision-making towards global decarbonisation. Renewable energy generation can often be represented through cross-sectional hierarchies, whereby a single farm may have multiple individual generators. Hierarchical forecasting through reconciliation has demonstrated a significant increase in the quality of forecasts both theoretically and empirically. However, it is not evident whether forecasts generated by individual temporal and cross-sectional aggregation can be superior to integrated cross-temporal forecasts and to individual forecasts on more granular data. In this study, we investigate the accuracies of different cross-sectional and cross-temporal reconciliation methods using both linear regression and gradient boosting machine learning for forecasting wind farm power generation. We found that cross-temporal reconciliation is superior to individual cross-sectional reconciliation at multiple temporal aggregations. Cross-temporally reconciled machine learning base forecasts also demonstrated a high accuracy at coarser temporal granularities, which may encourage adoption for short-term wind forecasts. We also show that linear regression can outperform machine learning models across most levels in cross-sectional wind time series.
• Abstract（参考訳）: 再生可能エネルギー発電の予測は、世界的な脱炭素化に対する意思決定に役立つ重要な洞察を提供する。 再生可能エネルギー生成はしばしば断面階層を通して表現され、1つの農場は複数の個別の発電機を持つ。 和解による階層的予測は、理論的にも経験的にも予測の質が著しく向上することを示した。 しかし、個別の時間的・横断的な集計によって生成された予測が統合的な時間的予測やより粒度の細かいデータに基づく個々の予測よりも優れているかどうかは不明である。 本研究では,風力発電予測のための線形回帰および勾配推力機械学習を用いて,異なる断面積・時間的調整手法の精度について検討した。 その結果,複数の時間的アグリゲーションにおいて,横断的再結合は個々の横断的再結合よりも優れていることがわかった。 時間的整合された機械学習ベース予測もまた、粗い時間的粒度において高い精度を示し、短期的な風速予測の採用を促進する可能性がある。 また, 線形回帰は, 断続風速シリーズのほとんどのレベルにおいて, 機械学習モデルより優れていることを示す。

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)
• Hiformer: Hybrid Frequency Feature Enhancement Inverted Transformer for Long-Term Wind Power Prediction [6.936415534357298]
  ハイブリット周波数特徴強調変換器(ハイフォーマ)という新しい手法を提案する。 Hiformerは、気象条件と風力発電の相関関係のモデリングを強化するために、信号分解技術と気象特徴抽出技術を統合する。 最先端の手法と比較して、(i)予測精度を最大52.5%向上させ、(ii)計算時間を最大68.5%削減することができる。
  論文  参考訳（メタデータ） (2024-10-17T08:00:36Z)
• Generating Fine-Grained Causality in Climate Time Series Data for Forecasting and Anomaly Detection [67.40407388422514]
  我々は、TBN Granger Causalityという概念的微粒因果モデルを設計する。 次に, TBN Granger Causality を生成的に発見する TacSas という, エンドツーエンドの深部生成モデルを提案する。 気候予報のための気候指標ERA5と、極度気象警報のためのNOAAの極端気象基準でTacSasを試験する。
  論文  参考訳（メタデータ） (2024-08-08T06:47:21Z)
• Asset Bundling for Wind Power Forecasting [15.393565192962482]
  本研究は,アセットバンドル,マシンラーニング,予測和解技術を統合したBPR( Bundle-Predict-Reconcile)フレームワークを提案する。 BPRフレームワークはまず中間階層レベル(バンドル)を学習し、続いて資産、バンドル、フリートレベルでの風力発電を予測し、最後にすべての予測を整合性を確保するために調整する。
  論文  参考訳（メタデータ） (2023-09-28T14:56:34Z)
• 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)
• 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)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• Spatio-temporal estimation of wind speed and wind power using machine learning: predictions, uncertainty and technical potential [0.0]
  ここで提示される風力推定は、風力発電量の増加を伴うエネルギーシステムの設計を支援するためのプランナーにとって重要な入力である。 この手法は、スイスのハブ高さ100メートルのタービンに対して250ドル(約2,400円)のグリッド上の時間風力ポテンシャルの研究に応用される。
  論文  参考訳（メタデータ） (2021-07-29T09:52:36Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)
• Wind Speed Prediction and Visualization Using Long Short-Term Memory Networks (LSTM) [1.8495489370732452]
  本稿では,風力発電計画と実現可能性研究を簡易化する風速予測手法を提案する。 その結果、長期記憶(LSTM)は97.8%の精度で他のモデルより優れていることが判明した。
  論文  参考訳（メタデータ） (2020-05-22T17:51:13Z)

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。