Fugu-MT 論文翻訳(概要): Improving the forecast accuracy of wind power by leveraging multiple hierarchical structure

論文の概要: Improving the forecast accuracy of wind power by leveraging multiple hierarchical structure

arxiv url: http://arxiv.org/abs/2308.03472v3
Date: Wed, 28 Aug 2024 11:18:00 GMT
ステータス: 処理完了
システム内更新日: 2024-08-29 21:31:09.018698
Title: Improving the forecast accuracy of wind power by leveraging multiple hierarchical structure
Title（参考訳）: 複数の階層構造を利用した風力予測精度の向上
Authors: Lucas English, Mahdi Abolghasemi,
Abstract要約: 和解による階層予測の最近の進歩は,短期的な風力エネルギー予測の質を著しく向上させた。本研究では,風力発電所におけるタービンの断面的・時間的階層構造を活用し,その統合された断面的・時間的次元が,風力発電所における予測精度にどのように価値をもたらすかを検討する。
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: Renewable energy generation is of utmost importance for global decarbonization. Forecasting renewable energies, particularly wind energy, is challenging due to the inherent uncertainty in wind energy generation, which depends on weather conditions. Recent advances in hierarchical forecasting through reconciliation have demonstrated a significant increase in the quality of wind energy forecasts for short-term periods. We leverage the cross-sectional and temporal hierarchical structure of turbines in wind farms and build cross-temporal hierarchies to further investigate how integrated cross-sectional and temporal dimensions can add value to forecast accuracy in wind farms. We found that cross-temporal reconciliation was superior to individual cross-sectional reconciliation at multiple temporal aggregations. Additionally, machine learning based forecasts that were cross-temporally reconciled demonstrated high accuracy at coarser temporal granularities, which may encourage adoption for short-term wind forecasts. Empirically, we provide insights for decision-makers on the best methods for forecasting high-frequency wind data across different forecasting horizons and levels.
Abstract（参考訳）: 再生可能エネルギー生成は、地球規模の脱炭素化において最も重要である。再生可能エネルギー、特に風力エネルギーの予測は、気象条件に依存する風力エネルギーの発生に固有の不確実性のために困難である。和解による階層予測の最近の進歩は,短期的な風力エネルギー予測の質を著しく向上させた。本研究では,風力発電所におけるタービンの断面的・時間的階層構造を活用し,その統合的断面的・時間的次元が,風力発電所における予測精度にどのように価値をもたらすかをさらに調査する。その結果,複数の時間的アグリゲーションにおいて,個別の横断的アグリゲーションよりも時間的アグリゲーションの方が優れていることがわかった。さらに、時間的相互調整による機械学習に基づく予測は、粗い時間的粒度において高い精度を示し、短期的な風速予測への採用を促す可能性がある。実験的に,様々な予測地平線とレベルにわたって,高周波風速データを予測するための最良の手法について,意思決定者に洞察を提供する。

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)
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。