論文の概要: Novel application of Relief Algorithm in cascaded artificial neural
network to predict wind speed for wind power resource assessment in India
- arxiv url: http://arxiv.org/abs/2401.14065v1
- Date: Thu, 25 Jan 2024 10:39:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-26 15:10:52.019166
- Title: Novel application of Relief Algorithm in cascaded artificial neural
network to predict wind speed for wind power resource assessment in India
- Title（参考訳）: インドにおける風力資源評価のための風速予測のためのカスケード人工ニューラルネットワークにおけるReliefアルゴリズムの新しい応用
- Authors: Hasmat Malik, Amit Kumar Yadav, Fausto Pedro Garc\'ia M\'arquez,
Jes\'us Mar\'ia Pinar-P\'erez
- Abstract要約: 本研究の結果, 従来のモデルと比較して, ANNの方が精度がよいことがわかった。
本論文の目的は2つある: 風力発電のためのANNの広範なレビューとWS予測を行う。
風速と風速の予測値と測定値とを比較した根平均二乗誤差(RMSE)は,それぞれ1.44m/sと1.49m/sであることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Wind power generated by wind has non-schedule nature due to stochastic nature
of meteorological variable. Hence energy business and control of wind power
generation requires prediction of wind speed (WS) from few seconds to different
time steps in advance. To deal with prediction shortcomings, various WS
prediction methods have been used. Predictive data mining offers variety of
methods for WS predictions where artificial neural network (ANN) is one of the
reliable and accurate methods. It is observed from the result of this study
that ANN gives better accuracy in comparison conventional model. The accuracy
of WS prediction models is found to be dependent on input parameters and
architecture type algorithms utilized. So the selection of most relevant input
parameters is important research area in WS predicton field. The objective of
the paper is twofold: first extensive review of ANN for wind power and WS
prediction is carried out. Discussion and analysis of feature selection using
Relief Algorithm (RA) in WS prediction are considered for different Indian
sites. RA identify atmospheric pressure, solar radiation and relative humidity
are relevant input variables. Based on relevant input variables Cascade ANN
model is developed and prediction accuracy is evaluated. It is found that root
mean square error (RMSE) for comparison between predicted and measured WS for
training and testing wind speed are found to be 1.44 m/s and 1.49 m/s
respectively. The developed cascade ANN model can be used to predict wind speed
for sites where there are not WS measuring instruments are installed in India.
- Abstract（参考訳）: 風によって発生する風力は、気象変動の確率的性質によって非スケジュールの性質を持つ。
したがって、エネルギー事業と風力発電の制御には、数秒から異なる時間ステップまでの風速(ws)の予測が必要である。
予測の欠点に対処するために、様々なWS予測方法が使われてきた。
予測データマイニングは、人工知能ニューラルネットワーク(ANN)が信頼性が高く正確な方法の1つであるWS予測のための様々な方法を提供する。
本研究の結果から, annは従来のモデルよりも精度が良いことがわかった。
WS予測モデルの精度は、入力パラメータとアーキテクチャタイプのアルゴリズムに依存することが判明した。
したがって、最も関連する入力パラメータの選択は、ws 予測分野における重要な研究領域です。
本論文の目的は2つある: 風力発電のためのANNの広範なレビューとWS予測を行う。
WS 予測におけるRelief Algorithm (RA) を用いた特徴選択の考察と分析は,インド各地を対象として行われる。
RAは大気圧、太陽放射、相対湿度が関連する入力変数である。
関連する入力変数に基づいてカスケードANNモデルを開発し、予測精度を評価する。
その結果、予測値と測定値のwsを比較した根平均二乗誤差(rmse)はそれぞれ1.44m/sと1.49m/sであった。
開発されたカスケードANNモデルは、インドにWS測定機器が設置されていない場所での風速予測に使用できる。
関連論文リスト
- Wind Power Prediction across Different Locations using Deep Domain Adaptive Learning [0.0]
この断続的再生源のグリッド統合には,風力の正確な予測が不可欠である。
特定の気候領域のデータから学習する予測モデルは、ロバストさの低下に悩まされる可能性がある。
この欠点に対処するために、ディープニューラルネットワーク(DNN)に基づくドメイン適応アプローチを提案する。
提案手法は従来の非適応法と比較して6.14%から28.44%まで高い精度を示す。
論文 参考訳（メタデータ） (2024-05-18T05:57:52Z) - Impact of Employing Weather Forecast Data as Input to the Estimation of Evapotranspiration by Deep Neural Network Models [0.11249583407496218]
Evapotranspiration (ET0) は、作物の水需要に係数が関係しているため、スマート灌水スケジューリングを設計するための重要なパラメータである。
FAO56-PM法を用いてET0を計算するには、気温、湿度、風、太陽放射の4つの主要な気象パラメータが必要である。
論文 参考訳（メタデータ） (2024-03-27T12:01:51Z) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳（メタデータ） (2023-09-12T13:28:06Z) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳（メタデータ） (2023-06-06T07:07:54Z) - An unsupervised learning approach for predicting wind farm power and
downstream wakes using weather patterns [0.0]
我々は,教師なしクラスタリング手法から得られた気象パターンと数値的な天気予報モデルを組み合わせた新しい風力エネルギーワークフローを開発した。
我々の長期予測は1年間のWRFシミュレーションと一致するが、計算時間は2%未満であることを示す。
提案手法は、高速で正確で柔軟な手法を提供することにより、出力および下流ファームウェイの複数年間の予測を容易にする。
論文 参考訳（メタデータ） (2023-02-12T10:05:25Z) - Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global
Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。
初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。
Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文 参考訳（メタデータ） (2022-11-03T17:19:43Z) - Bayesian neural networks for the probabilistic forecasting of wind
direction and speed using ocean data [0.0]
風速と方向の予測にはベイズニューラルネットワーク(BNN)を用いる。
我々のデータセットでは、北海のFINO1研究プラットフォームで記録された観測を用いています。
我々は,我々のネットワークによる風速と方向予測の精度と不確実性は,近隣のAlpha Ventus風力発電所の建設の影響を受けないことを結論した。
論文 参考訳（メタデータ） (2022-06-14T15:57:14Z) - 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) - 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) - A Deep Convolutional Neural Network Model for improving WRF Forecasts [0.19573380763700707]
我々は4年間の歴史を持つCNNモデル(2014-2017)をトレーニングし、WRFバイアスのパターンについて検討する。
次に, 風速, 方向, 降水量, 相対湿度, 表面圧力, 露点温度, 表面温度の予測値において, これらのバイアスを低減させる。
その結果,全駅でWRF予測が顕著に改善したことが示唆された。
論文 参考訳（メタデータ） (2020-08-14T17:48:06Z) - 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)
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。