論文の概要: Integrating Physics and Data-Driven Approaches: An Explainable and Uncertainty-Aware Hybrid Model for Wind Turbine Power Prediction

• arxiv url: http://arxiv.org/abs/2502.07344v1
• Date: Tue, 11 Feb 2025 08:16:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:08:33.488887
• Title: Integrating Physics and Data-Driven Approaches: An Explainable and Uncertainty-Aware Hybrid Model for Wind Turbine Power Prediction
• Title（参考訳）: 物理とデータ駆動のアプローチの統合:風力発電発電予測のための説明可能かつ不確実なハイブリッドモデル
• Authors: Alfonso Gijón, Simone Eiraudo, Antonio Manjavacas, Daniele Salvatore Schiera, Miguel Molina-Solana, Juan Gómez-Romero,
• Abstract要約: 風力エネルギーセクターの急速な成長は、タービンの運転を最適化する緊急の必要性を浮き彫りにしている。 伝統的な経験的モデルと物理学に基づくモデルは、風速に基づく発電の近似予測を提供する。 データ駆動機械学習手法は、風力タービンモデリングを改善するための有望な道を示す。
• 参考スコア（独自算出の注目度）: 1.1270209626877075
• License:
• Abstract: The rapid growth of the wind energy sector underscores the urgent need to optimize turbine operations and ensure effective maintenance through early fault detection systems. While traditional empirical and physics-based models offer approximate predictions of power generation based on wind speed, they often fail to capture the complex, non-linear relationships between other input variables and the resulting power output. Data-driven machine learning methods present a promising avenue for improving wind turbine modeling by leveraging large datasets, enhancing prediction accuracy but often at the cost of interpretability. In this study, we propose a hybrid semi-parametric model that combines the strengths of both approaches, applied to a dataset from a wind farm with four turbines. The model integrates a physics-inspired submodel, providing a reasonable approximation of power generation, with a non-parametric submodel that predicts the residuals. This non-parametric submodel is trained on a broader range of variables to account for phenomena not captured by the physics-based component. The hybrid model achieves a 37% improvement in prediction accuracy over the physics-based model. To enhance interpretability, SHAP values are used to analyze the influence of input features on the residual submodel's output. Additionally, prediction uncertainties are quantified using a conformalized quantile regression method. The combination of these techniques, alongside the physics grounding of the parametric submodel, provides a flexible, accurate, and reliable framework. Ultimately, this study opens the door for evaluating the impact of unmodeled variables on wind turbine power generation, offering a basis for potential optimization.
• Abstract（参考訳）: 風力エネルギーセクターの急速な成長は、タービンの運転を最適化し、早期故障検知システムによる効率的なメンテナンスを確保する緊急の必要性を浮き彫りにしている。 従来の経験的および物理学に基づくモデルは、風速に基づく発電の近似予測を提供するが、他の入力変数と結果の出力との間の複雑な非線形関係を捉えることはしばしば失敗する。 データ駆動機械学習手法は、大きなデータセットを活用し、予測精度を高めつつも、しばしば解釈可能性の犠牲にすることで、風力タービンモデリングを改善するための有望な道を示す。 本研究では,風力発電所のデータセットと4基のタービンを併用したハイブリッドセミパラメトリックモデルを提案する。 このモデルは物理にインスパイアされたサブモデルを統合し、発電の合理的な近似と残差を予測する非パラメトリックのサブモデルを提供する。 この非パラメトリックなサブモデルは、物理学ベースのコンポーネントが捉えない現象を説明するために、幅広い変数に基づいて訓練される。 ハイブリッドモデルは物理モデルよりも予測精度が37%向上する。 解釈可能性を高めるために、SHAP値を用いて残差サブモデルの出力に対する入力特徴の影響を分析する。 さらに、共形化量子回帰法による予測不確かさの定量化を行う。 これらのテクニックの組み合わせは、パラメトリックなサブモデルの物理的な基礎と並んで、柔軟で正確で信頼性の高いフレームワークを提供する。 最終的に、この研究は、風力タービン発電における非モデル化変数の影響を評価するための扉を開き、潜在的な最適化の基礎を提供する。

関連論文リスト

• Combining Physics-based and Data-driven Modeling for Building Energy Systems [5.437298646956505]
  建築エネルギーモデリングは、建築エネルギーシステムの運用を最適化する上で重要な役割を担っている。 研究者たちは物理ベースのモデルとデータ駆動モデルとハイブリッドなアプローチを組み合わせている。 実世界のケーススタディを通じて、エネルギーモデリングにおける4つの主要なハイブリッドアプローチを評価した。
  論文  参考訳（メタデータ） (2024-11-01T21:56:39Z)
• 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)
• 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)
• 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)
• Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
  本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。 我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
  論文  参考訳（メタデータ） (2022-06-26T10:58:41Z)
• An Energy-Based Prior for Generative Saliency [62.79775297611203]
  本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。 生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。 実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
  論文  参考訳（メタデータ） (2022-04-19T10:51:00Z)
• 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)
• Bayesian Modelling of Multivalued Power Curves from an Operational Wind Farm [0.0]
  パワーカーブは、特定の風力タービンの風速と出力パワーの関係を捉えている。 この機能の正確な回帰モデルは、監視、保守、設計、計画に有用である。 現在の研究は、削減された電力データの多値関係を推定する代替手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T15:31:03Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)
• Physics-Informed Gaussian Process Regression for Probabilistic States Estimation and Forecasting in Power Grids [67.72249211312723]
  電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。 PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。 提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
  論文  参考訳（メタデータ） (2020-10-09T14:18:31Z)

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。