論文の概要: Windformer:Bi-Directional Long-Distance Spatio-Temporal Network For Wind Speed Prediction

• arxiv url: http://arxiv.org/abs/2311.14316v1
• Date: Fri, 24 Nov 2023 07:06:18 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-27 15:52:14.084581
• Title: Windformer:Bi-Directional Long-Distance Spatio-Temporal Network For Wind Speed Prediction
• Title（参考訳）: 風車:風速予測のための双方向長距離時空間ネットワーク
• Authors: Xuewei Li, Zewen Shang, Zhiqiang Liu, Jian Yu, Wei Xiong, Mei Yu
• Abstract要約: 風力発電の管理には風速予測が不可欠である。 本論文では,風力タービンクラスタを複数の非重なり窓に分割し,窓内部の相関関係を計算し,窓間の接続性を提供するWindformerを提案する。 従来の手法と比較して、WindformerのMean Square Error (MSE) は NERL の2つのデータセットで 0.5% から 15% 削減されている。
• 参考スコア（独自算出の注目度）: 21.347186062986726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wind speed prediction is critical to the management of wind power generation. Due to the large range of wind speed fluctuations and wake effect, there may also be strong correlations between long-distance wind turbines. This difficult-to-extract feature has become a bottleneck for improving accuracy. History and future time information includes the trend of airflow changes, whether this dynamic information can be utilized will also affect the prediction effect. In response to the above problems, this paper proposes Windformer. First, Windformer divides the wind turbine cluster into multiple non-overlapping windows and calculates correlations inside the windows, then shifts the windows partially to provide connectivity between windows, and finally fuses multi-channel features based on detailed and global information. To dynamically model the change process of wind speed, this paper extracts time series in both history and future directions simultaneously. Compared with other current-advanced methods, the Mean Square Error (MSE) of Windformer is reduced by 0.5\% to 15\% on two datasets from NERL.
• Abstract（参考訳）: 風力発電の管理には風速予測が不可欠である。 風速変動と覚醒効果の幅が広いため、長距離風力タービンの間には強い相関関係がある可能性がある。 この難解な特徴は精度向上のボトルネックになっている。 過去の情報と将来の時間情報には、気流の変化の傾向が含まれており、この動的な情報が利用できるかどうかは予測効果にも影響する。 以上の問題に対して,本稿ではWindformerを提案する。 まず、Windformerは風力タービンクラスタを複数の非重重窓に分割し、ウィンドウ内の相関関係を計算し、ウィンドウを部分的にシフトしてウィンドウ間の接続を提供し、最終的には詳細な情報とグローバル情報に基づいてマルチチャネル機能を融合する。 本稿では,風速の変化過程を動的にモデル化するために,歴史と未来の両方の時系列を同時に抽出する。 従来の手法と比較して、WindformerのMean Square Error(MSE)は、NERLの2つのデータセットに対して0.5\%から15\%に減少する。

関連論文リスト

• Ultra-short-term multi-step wind speed prediction for wind farms based on adaptive noise reduction technology and temporal convolutional network [0.0]
  本研究では、データノイズ低減技術、時間畳み込みネットワーク(TCN)、ゲートリカレントユニット(GRU)に基づく新しい風速予測モデルを提案する。 提案モデルは山東省の3つの風力発電所で検証された。
  論文  参考訳（メタデータ） (2023-11-27T03:53:19Z)
• 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)
• Multi-Step Short-Term Wind Speed Prediction with Rank Pooling and Fast Fourier Transformation [0.0]
  短期的な風速予測は、経済的な風力利用に不可欠である。 現実の風速データは通常断続的で変動し、既存の浅いモデルに大きな課題をもたらす。 本稿では,多段風速予測,すなわちLR-FFT-RP-MLP/LSTMのための新しいハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2022-11-23T14:02:52Z)
• Learning-based estimation of in-situ wind speed from underwater acoustics [58.293528982012255]
  水中音響から風速時系列を検索するための深層学習手法を提案する。 我々のアプローチは、事前の物理知識と計算効率の両面から恩恵を受けるために、データ同化と学習ベースのフレームワークをブリッジする。
  論文  参考訳（メタデータ） (2022-08-18T15:27:40Z)
• 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)
• Neural-Fly Enables Rapid Learning for Agile Flight in Strong Winds [96.74836678572582]
  本稿では,ディープラーニングを通じて事前学習した表現を組み込むことで,オンラインでの迅速な適応を可能にする学習ベースのアプローチを提案する。 Neural-Flyは、最先端の非線形かつ適応的なコントローラよりもかなり少ないトラッキングエラーで正確な飛行制御を実現する。
  論文  参考訳（メタデータ） (2022-05-13T21:55:28Z)
• Digital Twin Framework for Time to Failure Forecasting of Wind Turbine Gearbox: A Concept [0.0]
  風力タービンは複雑な機械であり、回転・非回転装置は故障に敏感である。 風力タービンの故障検出は、しばしば風力発電事業者から利用可能なSCADAデータで補完される。 時系列分析とデータ表現は、動的プロセスのより深い基盤となる強力なツールとなっている。
  論文  参考訳（メタデータ） (2022-04-28T05:51:48Z)
• Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
  イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。 我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。 最適設計と性能は場所によって異なることがわかった。
  論文  参考訳（メタデータ） (2022-04-01T14:55:10Z)
• 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)
• Deep Spatio-Temporal Wind Power Forecasting [4.219722822139438]
  エンコーダ・デコーダ構造に基づく深層学習手法を開発した。 本モデルでは,風力タービンが発生した風力を,他のタービンと比較して空間的位置と過去の風速データを用いて予測する。
  論文  参考訳（メタデータ） (2021-09-29T16:26:10Z)

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。