論文の概要: Short-term Wind Speed Forecasting for Power Integration in Smart Grids based on Hybrid LSSVM-SVMD Method
- arxiv url: http://arxiv.org/abs/2408.17185v1
- Date: Fri, 30 Aug 2024 10:35:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-02 15:38:25.330335
- Title: Short-term Wind Speed Forecasting for Power Integration in Smart Grids based on Hybrid LSSVM-SVMD Method
- Title（参考訳）: ハイブリッドLSSVM-SVMD法を用いたスマートグリッドにおける電力統合のための短期風速予測
- Authors: Ephrem Admasu Yekun, Alem H. Fitwib, Selvi Karpaga Subramaniand, Anubhav Kumard, Teshome Goa Tella,
- Abstract要約: 風力エネルギーは、最も広く利用されている再生可能エネルギー資源の1つとなっている。
グリッドシステムへの風力統合の成功は、正確な風速予測モデルに基づいている。
本稿では,短期風速予測のためのハイブリッド機械学習手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Owing to its minimal pollution and efficient energy use, wind energy has become one of the most widely exploited renewable energy resources. The successful integration of wind power into the grid system is contingent upon accurate wind speed forecasting models. However, the task of wind speed forecasting is challenging due to the inherent intermittent characteristics of wind speed. In this paper, a hybrid machine learning approach is developed for predicting short-term wind speed. First, the wind data was decomposed into modal components using Successive Variational Mode Decomposition (SVMD). Then, each sub-signal was fitted into a Least Squares Support Vector Machines (LSSVM) model, with its hyperparameter optimized by a novel variant of Quantum-behaved Particle Swarm Optimization (QPSO), QPSO with elitist breeding (EBQPSO). Second, the residuals making up for the differences between the original wind series and the aggregate of the SVMD modes were modeled using long short-term model (LSTM). Then, the overall predicted values were computed using the aggregate of the LSSVM and the LSTM models. Finally, the performance of the proposed model was compared against state-of-the-art benchmark models for forecasting wind speed using two separate data sets collected from a local wind farm. Empirical results show significant improvement in performance by the proposed method, achieving a 1.21% to 32.76% reduction in root mean square error (RMSE) and a 2.05% to 40.75% reduction in mean average error (MAE) compared to the benchmark methods. The entire code implementation of this work is freely available in Github.
- Abstract（参考訳）: その最小限の汚染と効率的なエネルギー利用により、風力エネルギーは最も広く利用されている再生可能エネルギー資源の1つとなった。
グリッドシステムへの風力統合の成功は、正確な風速予測モデルに基づいている。
しかし,風速の固有断続特性のため,風速予測の課題は困難である。
本稿では,短期風速予測のためのハイブリッド機械学習手法を提案する。
まず,逐次変分モード分解(SVMD)を用いて風データをモーダル成分に分解した。
その後、各サブサインはLast Squares Support Vector Machines (LSSVM)モデルに組み込まれ、そのハイパーパラメーターは、QPSO(Quantum-behaved Particle Swarm Optimization)、QPSO(Elitist breeding)の新たな変種(EBQPSO)によって最適化された。
第2に、元の風速とSVMDモードのアグリゲーションの違いを補う残差を長寿命モデル(LSTM)を用いてモデル化した。
次に,LSVMモデルとLSTMモデルの集合を用いて,予測値全体の計算を行った。
最後に, 局所風力発電所から収集した2つの個別データセットを用いて, 風速予測のための最先端ベンチマークモデルと比較した。
実験の結果,提案手法では, 平均誤差が1.21%から32.76%減少し, 平均誤差が2.05%から40.75%減少した。
この作業のコード実装全体はGithubで無償公開されている。
関連論文リスト
- A-SDM: Accelerating Stable Diffusion through Model Assembly and Feature Inheritance Strategies [51.7643024367548]
安定拡散モデルは、テキスト・ツー・イメージ(T2I)と画像・ツー・イメージ(I2I)生成のための一般的かつ効果的なモデルである。
本研究では、SDMにおける冗長計算の削減と、チューニング不要とチューニング不要の両方の手法によるモデルの最適化に焦点をあてる。
論文 参考訳（メタデータ） (2024-05-31T21:47:05Z) - Not All Attention is Needed: Parameter and Computation Efficient Transfer Learning for Multi-modal Large Language Models [73.48675708831328]
MLLM(Multi-modal Large Language Models)のための新しいパラメータと計算効率のチューニング手法を提案する。
The Efficient Attention Skipping (EAS) method evaluate the attention redundancy and skips the less important MHAs to speed up inference。
実験により、EASは高い性能とパラメータ効率を維持するだけでなく、推論速度を大幅に高速化することが示された。
論文 参考訳（メタデータ） (2024-03-22T14:20:34Z) - A-SDM: Accelerating Stable Diffusion through Redundancy Removal and
Performance Optimization [54.113083217869516]
本研究ではまず,ネットワークの計算冗長性について検討する。
次に、モデルの冗長性ブロックをプルークし、ネットワーク性能を維持する。
第3に,計算集約型注意部を高速化するグローバル地域対話型注意(GRI)を提案する。
論文 参考訳（メタデータ） (2023-12-24T15:37:47Z) - 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) - 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) - A Wavelet, AR and SVM based hybrid method for short-term wind speed
prediction [0.9137554315375922]
風速時系列をウェーブレット分解法を用いて各種周波数成分に分割する。
周波数域に付随する成分は性質を示すため,自己回帰(AR)法でモデル化した。
その結果,単体ARモデルやSVMモデルと比較して風速予測の精度が向上した。
論文 参考訳（メタデータ） (2022-03-29T07:31:16Z) - 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) - Edge Federated Learning Via Unit-Modulus Over-The-Air Computation
(Extended Version) [64.76619508293966]
本稿では,効率の良いエッジフェデレーション学習を実現するために,UM-AirCompフレームワークを提案する。
ローカルモデルパラメータを同時にアップロードし、アナログビームフォーミングを通じてグローバルモデルパラメータを更新する。
車両間自動運転シミュレーションプラットフォームにおけるUM-AirCompの実装を実演する。
論文 参考訳（メタデータ） (2021-01-28T15:10:22Z) - Hybrid Neuro-Evolutionary Method for Predicting Wind Turbine Power
Output [6.411829871947649]
我々は,スウェーデンのオンショア風力発電所から出力される電力を推定するために,SCADAシステムにおける履歴データを入力として利用する。
風のパターンが非線形で多様であるという事前の知識により、我々は自己適応微分進化(SaDE)アルゴリズムを組み合わせる。
私たちのアプローチは、そのアプローチよりも優れています。
論文 参考訳（メタデータ） (2020-04-02T04:22:22Z) - Wind speed prediction using a hybrid model of the multi-layer perceptron
and whale optimization algorithm [1.032905038435237]
風力発電は再生可能エネルギー源であり、多くの経済的、環境的、社会的利益がある。
再生可能風力発電を向上・制御するためには,風速を高精度に予測するモデルを活用することが不可欠である。
論文 参考訳（メタデータ） (2020-02-14T19:29:33Z)
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。