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
- TimeXer: Empowering Transformers for Time Series Forecasting with
Exogenous Variables [82.07393844821522]
内因性変数の予測を強化するために外部情報を利用する新しいフレームワークであるTimeXerを提案する。
TimeXerは、内在変数による時系列予測を大幅に改善し、12の実世界の予測ベンチマークで一貫した最先端のパフォーマンスを達成する。
論文 参考訳(メタデータ) (2024-02-29T11:54:35Z) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-10-02T17:13:16Z) - 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) - 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) - Calibration of wind speed ensemble forecasts for power generation [0.0]
過去数十年間、風力発電は欧州連合で2番目に大きな電力供給源となり、電力需要の16%を占めた。
そのボラティリティのため、風力エネルギーを電気グリッドにうまく統合するには、正確な短距離風力予測が必要である。
生のアンサンブルと比較すると,ポストプロセッシングは常に確率的および精度の高い点予測のキャリブレーションを改善する。
論文 参考訳(メタデータ) (2021-04-30T11:18:03Z) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳(メタデータ) (2020-06-19T21:04:47Z) - 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。