論文の概要: Hiformer: Hybrid Frequency Feature Enhancement Inverted Transformer for Long-Term Wind Power Prediction

• arxiv url: http://arxiv.org/abs/2410.13303v1
• Date: Thu, 17 Oct 2024 08:00:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-18 13:21:07.984039
• Title: Hiformer: Hybrid Frequency Feature Enhancement Inverted Transformer for Long-Term Wind Power Prediction
• Title（参考訳）: Hiformer:長期風力予測のためのハイブリッド周波数特性インバータ変換器
• Authors: Chongyang Wan, Shunbo Lei, Yuan Luo,
• Abstract要約: ハイブリット周波数特徴強調変換器(ハイフォーマ)という新しい手法を提案する。 Hiformerは、気象条件と風力発電の相関関係のモデリングを強化するために、信号分解技術と気象特徴抽出技術を統合する。 最先端の手法と比較して、(i)予測精度を最大52.5%向上させ、(ii)計算時間を最大68.5%削減することができる。
• 参考スコア（独自算出の注目度）: 6.936415534357298
• License:
• Abstract: The increasing severity of climate change necessitates an urgent transition to renewable energy sources, making the large-scale adoption of wind energy crucial for mitigating environmental impact. However, the inherent uncertainty of wind power poses challenges for grid stability, underscoring the need for accurate wind energy prediction models to enable effective power system planning and operation. While many existing studies on wind power prediction focus on short-term forecasting, they often overlook the importance of long-term predictions. Long-term wind power forecasting is essential for effective power grid dispatch and market transactions, as it requires careful consideration of weather features such as wind speed and direction, which directly influence power output. Consequently, methods designed for short-term predictions may lead to inaccurate results and high computational costs in long-term settings. To adress these limitations, we propose a novel approach called Hybrid Frequency Feature Enhancement Inverted Transformer (Hiformer). Hiformer introduces a unique structure that integrates signal decomposition technology with weather feature extraction technique to enhance the modeling of correlations between meteorological conditions and wind power generation. Additionally, Hiformer employs an encoder-only architecture, which reduces the computational complexity associated with long-term wind power forecasting. Compared to the state-of-the-art methods, Hiformer: (i) can improve the prediction accuracy by up to 52.5\%; and (ii) can reduce computational time by up to 68.5\%.
• Abstract（参考訳）: 気候変動の深刻度の増加は、再生可能エネルギー源への緊急移行を必要とし、環境への影響を緩和するために大規模な風力エネルギーの導入が不可欠である。 しかし、風力の本質的な不確実性はグリッド安定性の課題を招き、効率的な電力系統の計画と運用を可能にするための正確な風力エネルギー予測モデルの必要性を浮き彫りにしている。 風力発電予測に関する多くの既存の研究は短期予測に焦点を当てているが、長期的な予測の重要性を見落としていることが多い。 電力供給に直接影響を与える風速や方向といった気象特性を慎重に検討する必要があるため、有効電力グリッドの配電や市場取引には長期風力予測が不可欠である。 したがって、短期予測のために設計された手法は、長期的な設定において不正確な結果と高い計算コストをもたらす可能性がある。 これらの制約に対処するため,Hybrid Frequency Feature Enhancement Inverted Transformer (Hiformer) と呼ばれる新しい手法を提案する。 Hiformerは、気象条件と風力発電の相関関係のモデリングを強化するために、信号分解技術と気象特徴抽出技術を統合するユニークな構造を導入している。 さらに、Hiformerはエンコーダのみのアーキテクチャを採用しており、長期の風力予測に伴う計算複雑性を低減している。 最先端の手法と比較すると、Hiformer: (i)予測精度を最大52.5\%向上させることができる。 (ii)計算時間を最大68.5%削減できる。

関連論文リスト

• Short-Term Photovoltaic Forecasting Model for Qualifying Uncertainty during Hazy Weather [9.367926898177815]
  我々は、悪天候下で不確実性を評価するために、改良されたエントロピーを導入する。 クラスタリングとアテンション機構は、計算コストを削減し、予測精度を高めるために使用される。 悪天候に関連する2つのデータセットの実験により、我々のモデルは予測精度を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2024-07-29T02:53:39Z)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• Global Transformer Architecture for Indoor Room Temperature Forecasting [49.32130498861987]
  本研究は,多室ビルにおける室内温度予測のためのグローバルトランスフォーマーアーキテクチャを提案する。 エネルギー消費を最適化し、HVACシステムに関連する温室効果ガス排出を削減することを目的としている。 本研究は,マルチルームビルにおける室内温度予測にトランスフォーマーアーキテクチャを適用した最初の事例である。
  論文  参考訳（メタデータ） (2023-10-31T14:09:32Z)
• Improving the forecast accuracy of wind power by leveraging multiple hierarchical structure [0.0]
  和解による階層予測の最近の進歩は,短期的な風力エネルギー予測の質を著しく向上させた。 本研究では,風力発電所におけるタービンの断面的・時間的階層構造を活用し,その統合された断面的・時間的次元が,風力発電所における予測精度にどのように価値をもたらすかを検討する。
  論文  参考訳（メタデータ） (2023-08-07T11:02:44Z)
• Prediction of wind turbines power with physics-informed neural networks and evidential uncertainty quantification [2.126171264016785]
  物理インフォームドニューラルネットワークを用いて、風力発電所の4基のタービンから得られた履歴データを再現する。 パワー, トルク, パワー係数の回帰モデルでは, 実データ, 物理式ともに精度が高いことがわかった。
  論文  参考訳（メタデータ） (2023-07-27T07:58:38Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• 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)
• A novel automatic wind power prediction framework based on multi-time scale and temporal attention mechanisms [6.120692237856329]
  風力発電は、ボラティリティ、断続性、ランダム性によって特徴づけられる。 従来の風力発電予測システムは、主に超短期または短期的な予測に焦点を当てている。 マルチタイムスケールで風力を予測できる自動フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-02T17:03:08Z)
• Data-Driven Stochastic AC-OPF using Gaussian Processes [54.94701604030199]
  大量の再生可能エネルギーを電力網に統合することは、おそらく気候変動を遅らせる電力網からの二酸化炭素排出量を減らす最も有効な方法だろう。 本稿では、不確実な入力を組み込むことのできる交流電力流方程式に基づく代替データ駆動方式を提案する。 GPアプローチは、このギャップを交流電力流方程式に閉じるために、単純だが制約のないデータ駆動アプローチを学ぶ。
  論文  参考訳（メタデータ） (2022-07-21T23:02:35Z)
• Autoformer: Decomposition Transformers with Auto-Correlation for Long-Term Series Forecasting [68.86835407617778]
  Autoformerは、Auto-Correlation機構を備えた、新しい分解アーキテクチャである。 長期的な予測では、Autoformerは6つのベンチマークで相対的に改善され、最先端の精度が得られる。
  論文  参考訳（メタデータ） (2021-06-24T13:43:43Z)

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。