論文の概要: Wind turbine condition monitoring based on intra- and inter-farm federated learning
- arxiv url: http://arxiv.org/abs/2409.03672v1
- Date: Thu, 5 Sep 2024 16:25:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-09-06 19:53:43.179363
- Title: Wind turbine condition monitoring based on intra- and inter-farm federated learning
- Title（参考訳）: ファーム内およびファーム間連携学習に基づく風力タービン状態のモニタリング
- Authors: Albin Grataloup, Stefan Jonas, Angela Meyer,
- Abstract要約: 風力エネルギーにおける多くのAI応用は、個々の風力タービンだけでなく、複数のタービンや複数の風力発電所の運用データを使用することで恩恵を受けることができる。
フェデレーテッド・ラーニングは、この文脈で、プライバシを保存する分散機械学習のアプローチとして登場した。
我々は、異なる風力発電所とタービンモデル間の協調や、同じ風力発電所とタービンモデルに制限された協力など、様々な連合学習戦略について検討する。
- 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: As wind energy adoption is growing, ensuring the efficient operation and maintenance of wind turbines becomes essential for maximizing energy production and minimizing costs and downtime. Many AI applications in wind energy, such as in condition monitoring and power forecasting, may benefit from using operational data not only from individual wind turbines but from multiple turbines and multiple wind farms. Collaborative distributed AI which preserves data privacy holds a strong potential for these applications. Federated learning has emerged as a privacy-preserving distributed machine learning approach in this context. We explore federated learning in wind turbine condition monitoring, specifically for fault detection using normal behaviour models. We investigate various federated learning strategies, including collaboration across different wind farms and turbine models, as well as collaboration restricted to the same wind farm and turbine model. Our case study results indicate that federated learning across multiple wind turbines consistently outperforms models trained on a single turbine, especially when training data is scarce. Moreover, the amount of historical data necessary to train an effective model can be significantly reduced by employing a collaborative federated learning strategy. Finally, our findings show that extending the collaboration to multiple wind farms may result in inferior performance compared to restricting learning within a farm, specifically when faced with statistical heterogeneity and imbalanced datasets.
- Abstract（参考訳）: 風力エネルギーの普及が進むにつれて、風力タービンの効率的な運転と維持がエネルギー生産の最大化とコストとダウンタイムの最小化に欠かせないものとなる。
コンディションモニタリングや電力予測など、風力エネルギーに関する多くのAI応用は、個々の風力タービンだけでなく、複数のタービンや複数の風力発電所からの運用データを使用することで恩恵を受けることができる。
データプライバシを保存するコラボレーティブな分散AIは、これらのアプリケーションにとって大きな可能性を秘めている。
フェデレーテッド・ラーニングは、この文脈で、プライバシを保存する分散機械学習のアプローチとして登場した。
風力タービン条件モニタリングにおけるフェデレート学習,特に正常な挙動モデルを用いた故障検出について検討する。
本研究では,異なる風力発電所とタービンモデル間の協調や,同じ風力発電所とタービンモデルに限定した協調など,各種の連合学習戦略について検討する。
本研究の結果から,複数の風力タービンを横断する連合学習は,特に訓練データが少ない場合において,1つのタービンで訓練したモデルより一貫して優れていたことが示唆された。
さらに,協調学習戦略を用いることで,実効モデルを訓練するために必要な履歴データの量を大幅に削減することができる。
最後に,複数の風力発電所への協力の延長は,農業における学習の制限,特に統計的不均一性や不均衡なデータセットに直面する場合に比べて性能が劣る可能性が示唆された。
関連論文リスト
- Equipment Health Assessment: Time Series Analysis for Wind Turbine
Performance [1.533848041901807]
各種風力タービンのSCADAデータを利用して出力を予測する。
重要なイノベーションは、FNNとLSTMモデルのアンサンブルであり、それらの集合的学習に乗じている。
風力タービンの性能劣化を検知するために機械学習技術が適用され、アクティブなメンテナンス戦略が実現された。
論文 参考訳（メタデータ） (2024-03-01T20:54:31Z) - 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) - Towards Fleet-wide Sharing of Wind Turbine Condition Information through
Privacy-preserving Federated Learning [0.0]
我々は、風力タービンにデータを残しながら、そのローカルデータに対するフリートワイドな学習を可能にすることによって、データのプライバシを保護する分散機械学習アプローチを提案する。
フェデレートされた艦隊規模の学習を通して、代表的トレーニングデータをほとんど、あるいは全く持たないタービンは、より正確な正常な行動モデルから恩恵を受けることができることを示す。
論文 参考訳（メタデータ） (2022-12-07T09:22:33Z) - Modeling Wind Turbine Performance and Wake Interactions with Machine
Learning [0.0]
SCADAとオンショアウィンドファームで収集された気象データに基づいて異なる機械学習モデル(ML)を訓練する。
データ品質制御と事前処理のためのML手法を調査対象のデータセットに適用する。
風力タービンのパワーキャプチャーをモデル化するために,ハイブリッドモデルが高精度であることがわかった。
論文 参考訳（メタデータ） (2022-12-02T23:07:05Z) - Low Emission Building Control with Zero-Shot Reinforcement Learning [70.70479436076238]
強化学習(RL)による制御は、建築エネルギー効率を著しく向上させることが示されている。
我々は、ゼロショットビルディング制御と呼ばれるパラダイムを優先せずに、排出削減ポリシーを得られることを示す。
論文 参考訳（メタデータ） (2022-08-12T17:13:25Z) - 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) - 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) - Scalable Optimization for Wind Farm Control using Coordination Graphs [5.56699571220921]
風力発電の制御装置は、グリッドオペレータによって課される電力需要と農場の電力生産を一致させるために必要である。
風力タービン間の複雑な依存関係が存在するため、これは非自明な最適化問題である。
本研究では,スパースな風力場構造を利用して最適化問題を推定する風力場制御の新しい学習方法を提案する。
論文 参考訳（メタデータ） (2021-01-19T20:12:30Z) - Multi-target normal behaviour models for wind farm condition monitoring [0.0]
本研究は、風力タービンの正常な挙動を捉えるための新しいアプローチとして、マルチターゲットモデルについて検討する。
マルチターゲットモデルが単一ターゲットモデルと比較して有利であることから,実用条件監視のコストと労力を削減できることが判明した。
論文 参考訳（メタデータ） (2020-12-05T16:46:35Z) - Learning Discrete Energy-based Models via Auxiliary-variable Local
Exploration [130.89746032163106]
離散構造データに対する条件付きおよび非条件付きEMMを学習するための新しいアルゴリズムであるALOEを提案する。
エネルギー関数とサンプリング器は、新しい変分型電力繰り返しにより効率よく訓練できることを示す。
本稿では、ソフトウェアテストのためのエネルギーモデルガイド付ファジィザについて、libfuzzerのようなよく設計されたファジィエンジンに匹敵する性能を実現する。
論文 参考訳（メタデータ） (2020-11-10T19:31:29Z) - Federated Learning in the Sky: Joint Power Allocation and Scheduling
with UAV Swarms [98.78553146823829]
無人航空機(UAV)は様々なタスクを実行するために機械学習(ML)を利用する必要がある。
本稿では,UAVスワム内に分散学習(FL)アルゴリズムを実装するための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-02-19T14:04:01Z)
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。