論文の概要: Ultra-short-term multi-step wind speed prediction for wind farms based
on adaptive noise reduction technology and temporal convolutional network
- arxiv url: http://arxiv.org/abs/2311.16198v1
- Date: Mon, 27 Nov 2023 03:53:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-29 21:27:39.154072
- Title: Ultra-short-term multi-step wind speed prediction for wind farms based
on adaptive noise reduction technology and temporal convolutional network
- Title（参考訳）: 適応雑音低減技術と時間畳み込みネットワークに基づく風力発電所の超短時間多段階風速予測
- Authors: Haojian Huang
- Abstract要約: 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。
- 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: As an important clean and renewable kind of energy, wind power plays an
important role in coping with energy crisis and environmental pollution.
However, the volatility and intermittency of wind speed restrict the
development of wind power. To improve the utilization of wind power, this study
proposes a new wind speed prediction model based on data noise reduction
technology, temporal convolutional network (TCN), and gated recurrent unit
(GRU). Firstly, an adaptive data noise reduction algorithm P-SSA is proposed
based on singular spectrum analysis (SSA) and Pearson correlation coefficient.
The original wind speed is decomposed into multiple subsequences by SSA and
then reconstructed. When the Pearson correlation coefficient between the
reconstructed sequence and the original sequence is greater than 0.99, other
noise subsequences are deleted to complete the data denoising. Then, the
receptive field of the samples is expanded through the causal convolution and
dilated convolution of TCN, and the characteristics of wind speed change are
extracted. Then, the time feature information of the sequence is extracted by
GRU, and then the wind speed is predicted to form the wind speed sequence
prediction model of P-SSA-TCN-GRU. The proposed model was validated on three
wind farms in Shandong Province. The experimental results show that the
prediction performance of the proposed model is better than that of the
traditional model and other models based on TCN, and the wind speed prediction
of wind farms with high precision and strong stability is realized. The wind
speed predictions of this model have the potential to become the data that
support the operation and management of wind farms. The code is available at
link.
- Abstract（参考訳）: クリーンで再生可能なエネルギーとして、風力発電はエネルギー危機や環境汚染に対処する上で重要な役割を担っている。
しかし、風速の変動性と間欠性は風力の発達を制限している。
そこで本研究では,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)に基づく風速予測モデルを提案する。
まず、特異スペクトル分析(SSA)とピアソン相関係数に基づいて、適応データノイズ低減アルゴリズムP-SSAを提案する。
元の風速はSSAによって複数のサブシーケンスに分解され、その後再構築される。
再構成されたシーケンスと元のシーケンスとの間のピアソン相関係数が0.99以上の場合、他のノイズサブシーケンスを消去してデータをデノージングする。
そして、tcnの因果畳み込み及び拡張畳み込みを通じて試料の受容場を拡大し、風速変化の特性を抽出する。
そして、シーケンスの時間特徴情報をGRUにより抽出し、風速を予測し、P-SSA-TCN-GRUの風速シーケンス予測モデルを形成する。
提案モデルは山東省の3つの風力発電所で検証された。
実験の結果,提案モデルの予測性能はtcnに基づく従来のモデルや他のモデルよりも優れており,高精度で安定性の高い風力発電機の風速予測が可能となった。
このモデルの風速予測は、風力発電所の運営と管理を支援するデータとなる可能性を秘めている。
コードはリンクで利用可能です。
関連論文リスト
- TCNFormer: Temporal Convolutional Network Former for Short-Term Wind Speed Forecasting [9.47727784069628]
本研究は,短期(12時間)の風速予測のための時間的コンテンポラル前駆体 (TCNFormer) を提案する。
以上の結果から,TNFormerは予測精度において最先端モデルよりも優れていたことが示唆された。
論文 参考訳（メタデータ） (2024-08-27T15:35:42Z) - Windformer:Bi-Directional Long-Distance Spatio-Temporal Network For Wind
Speed Prediction [21.347186062986726]
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。
論文 参考訳（メタデータ） (2023-11-24T07:06:18Z) - 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) - Enhancing Short-Term Wind Speed Forecasting using Graph Attention and
Frequency-Enhanced Mechanisms [17.901334082943077]
GFST-WSFは、時間的特徴抽出のためのトランスフォーマーアーキテクチャと空間的特徴抽出のためのグラフ注意ネットワーク(GAT)を備える。
GATは風速局間の複雑な空間的依存関係を捉えるように設計されている。
地理的要因による隣接する風力発電所間の風速相関のモデル時間ラグ
論文 参考訳（メタデータ） (2023-05-19T08:50:58Z) - 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) - Deep Learning-Based Synchronization for Uplink NB-IoT [72.86843435313048]
狭帯域モノのインターネット(NB-IoT)における狭帯域物理ランダムアクセスチャネル(NPRACH)のデバイス検出と到着時刻推定のためのニューラルネットワーク(NN)に基づくアルゴリズムを提案する。
導入されたNNアーキテクチャは、残余の畳み込みネットワークと、5Gニューラジオ(5G NR)仕様のプリアンブル構造に関する知識を利用する。
論文 参考訳（メタデータ） (2022-05-22T12:16:43Z) - 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) - An advanced spatio-temporal convolutional recurrent neural network for
storm surge predictions [73.4962254843935]
本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。
本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
論文 参考訳（メタデータ） (2022-04-18T23:42:18Z) - Hybrid Transformer Network for Different Horizons-based Enriched Wind
Speed Forecasting [0.0]
高度に正確な水平線に基づく風速予測は、より現代的な電力システムを促進する。
本稿では,新しい風速予測モデルを提案し,異なる地平線に適用した。
実時間Kethanurとの比較分析により,提案したICEEMDAN-TNF-MLPN-RECSハイブリッドモデルの性能が向上したことが明らかとなった。
論文 参考訳（メタデータ） (2022-04-07T12:03:53Z) - 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) - 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)
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。