論文の概要: CESAR: A Convolutional Echo State AutoencodeR for High-Resolution Wind Forecasting

• arxiv url: http://arxiv.org/abs/2412.10578v1
• Date: Fri, 13 Dec 2024 21:41:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 13:56:11.083840
• Title: CESAR: A Convolutional Echo State AutoencodeR for High-Resolution Wind Forecasting
• Title（参考訳）: CESAR:高分解能風速予測のための畳み込み型Echo状態自動符号化装置
• Authors: Matthew Bonas, Paolo Giani, Paola Crippa, Stefano Castruccio,
• Abstract要約: 風力エネルギー、特に高分解能は、非線形統計モデルの開発を要求する。 この研究は、Convolutional Echo State AutoencodeRCESARネットワークベースのモデルを導入している。 CESARは、提案されている建設現場の風速と電力の予測を最大17%向上させることができるかを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: An accurate and timely assessment of wind speed and energy output allows an efficient planning and management of this resource on the power grid. Wind energy, especially at high resolution, calls for the development of nonlinear statistical models able to capture complex dependencies in space and time. This work introduces a Convolutional Echo State AutoencodeR (CESAR), a spatio-temporal, neural network-based model which first extracts the spatial features with a deep convolutional autoencoder, and then models their dynamics with an echo state network. We also propose a two-step approach to also allow for computationally affordable inference, while also performing uncertainty quantification. We focus on a high-resolution simulation in Riyadh (Saudi Arabia), an area where wind farm planning is currently ongoing, and show how CESAR is able to provide improved forecasting of wind speed and power for proposed building sites by up to 17% against the best alternative methods.
• Abstract（参考訳）: 風速とエネルギーの正確なタイムリーな評価により、電力網上のこの資源の効率的な計画と管理が可能になる。 特に高解像度の風力エネルギーは、空間と時間における複雑な依存関係を捉えることができる非線形統計モデルの開発を要求する。 このモデルでは、まず深層畳み込みオートエンコーダで空間的特徴を抽出し、その後、エコー状態ネットワークでそれらのダイナミクスをモデル化する。 また,不確実な定量化を図りながら,計算に手頃な価格の推論を可能にする2段階の手法を提案する。 我々は、現在風力発電計画が進められているリヤド(サウジアラビア)の高解像度シミュレーションに焦点を当て、CESARが提案されている建設現場の風速と電力の予測を、最も優れた代替手段に対して最大17%も改善できることを示します。

関連論文リスト

• Interpolation-Free Deep Learning for Meteorological Downscaling on Unaligned Grids Across Multiple Domains with Application to Wind Power [0.0]
  風力発電は加速し、その効率性を確保するためには信頼性の高い風力確率予測が不可欠である。 数値風速予測モデルは計算に費用がかかるため、全てのメソスケール風速を捉えるには大きすぎる解像度で確率予測が生成される。 統計的ダウンスケーリングは、低分解能(LR)変数から高分解能(HR)気象変数への写像を学習することで、計算コストの低い実行可能な解を提供する。
  論文  参考訳（メタデータ） (2024-10-04T22:04:40Z)
• Probabilistic Spatiotemporal Modeling of Day-Ahead Wind Power Generation with Input-Warped Gaussian Processes [0.5801621787540268]
  私たちは、数百の風力発電所の時間スケールの日頭予測で作業しています。 我々は,風力の共分散における非定常性を捉えるために,時空間入力ワープと時空間入力ワープの両方を実装した分離可能な時空カーネルを設計する。 論文の後半は、テキサス州のERCOT地域の風力発電所を表す現実的で完全に校正されたデータセットを用いた詳細な事例研究に費やされている。
  論文  参考訳（メタデータ） (2024-09-10T23:52:40Z)
• SFANet: Spatial-Frequency Attention Network for Weather Forecasting [54.470205739015434]
  天気予報は様々な分野において重要な役割を担い、意思決定とリスク管理を推進している。 伝統的な手法は、しばしば気象系の複雑な力学を捉えるのに苦労する。 本稿では,これらの課題に対処し,天気予報の精度を高めるための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-29T08:00:15Z)
• 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)
• Lyapunov-Driven Deep Reinforcement Learning for Edge Inference Empowered by Reconfigurable Intelligent Surfaces [30.1512069754603]
  本稿では,ワイヤレスエッジにおけるエネルギー効率,低レイテンシ,高精度な推論のための新しいアルゴリズムを提案する。 本稿では,新しいデータを一連のデバイスで連続的に生成・収集し,動的キューシステムを通じて処理するシナリオについて考察する。
  論文  参考訳（メタデータ） (2023-05-18T12:46:42Z)
• Towards Improved Room Impulse Response Estimation for Speech Recognition [53.04440557465013]
  遠距離場自動音声認識(ASR)におけるブラインドルームインパルス応答(RIR)推定システムを提案する。 まず、改良されたRIR推定と改善されたASR性能の関連性について、ニューラルネットワークを用いたRIR推定器の評価を行った。 次に、残響音声からRIR特徴を符号化し、符号化された特徴からRIRを構成するGANベースのアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-11-08T00:40:27Z)
• 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)
• Deep Impulse Responses: Estimating and Parameterizing Filters with Deep Networks [76.830358429947]
  高雑音および地中設定におけるインパルス応答推定は難しい問題である。 本稿では,ニューラル表現学習の最近の進歩に基づいて,インパルス応答のパラメータ化と推定を行う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） (2022-02-07T18:57:23Z)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)
• 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)

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。