論文の概要: Effective Self-Attention-Based Deep Learning Model with Evolutionary Grid Search for Robust Wave Farm Energy Forecasting

• arxiv url: http://arxiv.org/abs/2507.09847v1
• Date: Mon, 14 Jul 2025 00:56:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-15 18:48:24.080183
• Title: Effective Self-Attention-Based Deep Learning Model with Evolutionary Grid Search for Robust Wave Farm Energy Forecasting
• Title（参考訳）: ロバストウェーブファームエネルギー予測のための進化的グリッド探索を用いた効果的な自己注意型ディープラーニングモデル
• Authors: Amin Abdollahi Dehkordi, Mehdi Neshat, Nataliia Y. Sergiienko, Zahra Ghasemi, Lei Chen, John Boland, Hamid Moradkhani, Amir H. Gandomi,
• Abstract要約: 本研究では,電力網への波動エネルギー統合を向上するための新しい予測枠組みを提案する。 自己保持型畳み込みBi-LSTMとハイパーパラメータ最適化を組み合わせたハイブリッド逐次学習モデルを導入する。 R2スコアは91.7%(アデレード)、88.0%(パース)、82.8%(タスマニア)、91.0%(シドニー)である。
• 参考スコア（独自算出の注目度）: 11.646228543554411
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Achieving carbon neutrality, a key focus of UN SDG #13, drives the exploration of wave energy, a renewable resource with the potential to generate 30,000 TWh of clean electricity annually, surpassing global demand. However, wave energy remains underdeveloped due to technical and economic challenges, particularly in forecasting wave farm power output, which is vital for grid stability and commercial viability. This study proposes a novel predictive framework to enhance wave energy integration into power grids. It introduces a hybrid sequential learning model combining Self-Attention-enhanced Convolutional Bi-LSTM with hyperparameter optimization. The model leverages spatial data from Wave Energy Converters (WECs) and is validated using datasets from wave farms in Adelaide, Sydney, Perth, and Tasmania, Australia. Benchmarked against ten machine learning algorithms, the model achieves superior accuracy, with R2 scores of 91.7% (Adelaide), 88.0% (Perth), 82.8% (Tasmania), and 91.0% (Sydney). It outperforms conventional ML and deep learning methods, offering robust and scalable predictions for wave energy output across diverse marine environments, supporting reliable integration into energy systems.
• Abstract（参考訳）: 国連 SDG #13 の重要な焦点である炭素中立性の実現は、毎年3万TWhのクリーン電気を発生させる可能性がある再生可能エネルギーである波力エネルギーの探査を推進し、世界の需要を上回っている。 しかし、波力エネルギーは、特にグリッド安定性と商業性に不可欠な波力発電の出力予測において、技術的・経済的課題のために未発達のままである。 本研究では,電力網への波動エネルギー統合を向上するための新しい予測枠組みを提案する。 自己保持型畳み込みBi-LSTMとハイパーパラメータ最適化を組み合わせたハイブリッドシーケンシャル学習モデルを導入する。 このモデルはウェーブ・エナジー・コンバータ(WEC)の空間データを利用しており、オーストラリアのシドニー、パース、タスマニアのウェーブ・ファームのデータセットを用いて検証されている。 10の機械学習アルゴリズムと比較すると、R2スコアは91.7%(アデレード)、88.0%(パース)、82.8%(タスマニア)、91.0%(シドニー)の精度が向上している。 従来のMLやディープラーニングよりも優れており、様々な海洋環境における波動エネルギーの出力の堅牢でスケーラブルな予測を提供し、エネルギーシステムへの信頼性の高い統合をサポートする。

関連論文リスト

• A Reinforcement Learning Approach for Optimal Control in Microgrids [43.122212629962235]
  マイクログリッドは、エネルギー発生、貯蔵、分散に対する局所的な制御を可能にすることで、有望なソリューションを提供する。 本稿では,マイクログリッドエネルギー管理を最適化するための新しい強化学習手法を提案する。
  論文  参考訳（メタデータ） (2025-06-28T20:10:00Z)
• Explainable AI for building energy retrofitting under data scarcity [40.14307808809578]
  本研究では,人工知能(AI)と機械学習(ML)を基盤として,住宅のエネルギー効率対策を推奨する枠組みを提案する。 ラトビアをケーススタディとして、この方法論は限られたデータセット、クラス不均衡、データ不足に関連する課題に対処する。 このアプローチの評価は、データ制限を顕著に克服し、精度、リコール、F1スコアの最大54%の改善を実現していることを示している。
  論文  参考訳（メタデータ） (2025-04-08T14:00:08Z)
• PINN-DT: Optimizing Energy Consumption in Smart Building Using Hybrid Physics-Informed Neural Networks and Digital Twin Framework with Blockchain Security [0.0]
  本研究は,予測エネルギー最適化を強化するための多面的手法を提案する。 このモデルは、スマートメーターエネルギー消費データ、再生可能エネルギー出力、動的価格設定、IoTデバイスから収集されたユーザの好みなど、包括的なデータセットを使用してトレーニングされ、検証された。 提案手法は平均絶対誤差(MAE)が0.237 kWh、ルート平均平方誤差(RMSE)が0.298 kWh、R2が0.978、データ分散の97.8%で予測性能に優れていた。
  論文  参考訳（メタデータ） (2025-03-01T03:37:09Z)
• AI-powered Digital Twin of the Ocean: Reliable Uncertainty Quantification for Real-time Wave Height Prediction with Deep Ensemble [1.1874952582465603]
  本稿では,長期記憶(LSTM)ネットワークを統合したAIを用いた信頼性リアルタイム波高予測モデルを提案する。 モデルは顕著な精度 (R2 > 0.9) を達成すると同時に, 簡単な校正手法により, 不確かさを50%以上向上させる。
  論文  参考訳（メタデータ） (2024-12-07T00:22:58Z)
• AI-Driven approach for sustainable extraction of earth's subsurface renewable energy while minimizing seismic activity [44.99833362998488]
  地球の地殻に流体を注入すると、地震を誘発または引き起こすことがある。 本研究では,人間による震度制御のための強化学習に基づく新しい手法を提案する。 本研究では,強化学習アルゴリズムが頑健な制御器と効率的に対話可能であることを示す。
  論文  参考訳（メタデータ） (2024-08-07T10:06:04Z)
• A Fault Prognostic System for the Turbine Guide Bearings of a Hydropower Plant Using Long-Short Term Memory (LSTM) [0.2796197251957245]
  この研究は、HPPのタービン軸受のための人工的にインテリジェントな断層予測システムを開発することを目的としている。 提案手法は,Long Short-Term Memory (LSTM) アルゴリズムを用いてモデルの開発を行う。 このモデルでは, 振動値の高精度な予測を行い, 極めて低いRMSEを実現している。
  論文  参考訳（メタデータ） (2024-07-26T18:45:42Z)
• Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
  マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。 これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。 本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
  論文  参考訳（メタデータ） (2024-04-17T02:04:10Z)
• Grid Monitoring with Synchro-Waveform and AI Foundation Model Technologies [41.994460245857404]
  本稿では,インバータ資源が支配する将来のグリッドを対象とした次世代グリッド監視制御システムの開発を提唱する。 我々は,高分解能シンクロ波形計測技術を用いた物理ベースのAI基盤モデルを構築し,グリッドのレジリエンスを高め,機能停止による経済的損失を低減する。
  論文  参考訳（メタデータ） (2024-03-11T17:28:46Z)
• A Safe Genetic Algorithm Approach for Energy Efficient Federated Learning in Wireless Communication Networks [53.561797148529664]
  フェデレートラーニング(FL)は、従来の集中型アプローチとは対照的に、デバイスが協調的にモデルトレーニングを行う分散技術として登場した。 FLの既存の取り組みにもかかわらず、その環境影響は、無線ネットワークへの適用性に関するいくつかの重要な課題が特定されているため、まだ調査中である。 現在の研究は遺伝的アルゴリズム(GA)アプローチを提案しており、FLプロセス全体のエネルギー消費と不要な資源利用の両方を最小化することを目標としている。
  論文  参考訳（メタデータ） (2023-06-25T13:10:38Z)
• Predicting Short Term Energy Demand in Smart Grid: A Deep Learning Approach for Integrating Renewable Energy Sources in Line with SDGs 7, 9, and 13 [0.0]
  スマートパワーグリッドにおけるエネルギー需要予測のためのディープラーニングモデルを提案する。 我々は、長期記憶ネットワークを使用して、エネルギー需要データにおける複雑なパターンや依存関係をキャプチャします。 提案モデルでは,平均絶対誤差 1.4% でエネルギー需要を正確に予測できる。
  論文  参考訳（メタデータ） (2023-04-08T12:30:59Z)
• Cascaded Deep Hybrid Models for Multistep Household Energy Consumption Forecasting [5.478764356647437]
  本研究は,多段階家庭電力消費予測のための2つのハイブリッドキャスケードモデルを提案する。 提案したハイブリッドモデルでは,既存のマルチステップ電力消費予測手法よりも優れた予測性能が得られる。
  論文  参考訳（メタデータ） (2022-07-06T11:02:23Z)
• An Energy and Carbon Footprint Analysis of Distributed and Federated Learning [42.37180749113699]
  古典的で中央集権的な人工知能(AI)手法では、生産者(センサー、マシン)からエネルギー空腹のデータセンターへデータを移動する必要がある。 このような高エネルギーコストを緩和する新たな代替手段は、デバイス間で学習タスクを効率的に分散またはフェデレートすることを提案している。 本稿では,分散学習におけるエネルギーおよび炭素フットプリントの分析のための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2022-06-21T13:28:49Z)
• Wirelessly Powered Federated Edge Learning: Optimal Tradeoffs Between Convergence and Power Transfer [42.30741737568212]
  無線電力伝送(WPT)を用いた電力機器の解法を提案する。 本研究の目的は、無線で駆動するFEEL(WP-FEEL)システムの導入に関するガイドラインの導出である。 その結果、WPTプロビジョニングに関する有用なガイドラインを提供し、学習パフォーマンスの保証を提供します。
  論文  参考訳（メタデータ） (2021-02-24T15:47:34Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。