論文の概要: AI-Based Impedance Encoding-Decoding Method for Online Impedance Network Construction of Wind Farms

• arxiv url: http://arxiv.org/abs/2507.14187v1
• Date: Sun, 13 Jul 2025 05:49:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:31.741687
• Title: AI-Based Impedance Encoding-Decoding Method for Online Impedance Network Construction of Wind Farms
• Title（参考訳）: ウィンドファームのオンラインインピーダンスネットワーク構築のためのAIを用いたインピーダンス符号化
• Authors: Xiaojuan Zhang, Tianyu Jiang, Haoxiang Zong, Chen Zhang, Chendan Li, Marta Molinas,
• Abstract要約: 風力発電機の振動解析において,インピーダンスネットワーク(IN)モデルが普及している。 このようなINモデルの構築には、それぞれの運転条件下で各風力タービンのインピーダンス曲線が必要となる。 本稿では,INモデルのオンライン構築を容易にするために,AIを用いたインピーダンス符号化復号法を提案する。
• 参考スコア（独自算出の注目度）: 10.733532342509442
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The impedance network (IN) model is gaining popularity in the oscillation analysis of wind farms. However, the construction of such an IN model requires impedance curves of each wind turbine under their respective operating conditions, making its online application difficult due to the transmission of numerous high-density impedance curves. To address this issue, this paper proposes an AI-based impedance encoding-decoding method to facilitate the online construction of IN model. First, an impedance encoder is trained to compress impedance curves by setting the number of neurons much smaller than that of frequency points. Then, the compressed data of each turbine are uploaded to the wind farm and an impedance decoder is trained to reconstruct original impedance curves. At last, based on the nodal admittance matrix (NAM) method, the IN model of the wind farm can be obtained. The proposed method is validated via model training and real-time simulations, demonstrating that the encoded impedance vectors enable fast transmission and accurate reconstruction of the original impedance curves.
• Abstract（参考訳）: 風力発電の振動解析において, インピーダンスネットワーク(IN)モデルが人気を集めている。 しかし,INモデルの構築には各運転条件下での風力タービンのインピーダンス曲線が必要であり,多数の高密度インピーダンス曲線の伝送によるオンライン適用が困難である。 本稿では,INモデルのオンライン構築を容易にするAIを用いたインピーダンス符号化手法を提案する。 まず、インピーダンスエンコーダをトレーニングし、周波数点よりもはるかに小さなニューロン数を設定することでインピーダンス曲線を圧縮する。 そして、各タービンの圧縮データを風力発電機にアップロードし、インピーダンス復号器を訓練して、元のインピーダンス曲線を再構成する。 最終的に、Nudal admittance matrix (NAM)法に基づいて、風力発電のINモデルを得ることができる。 提案手法はモデルトレーニングと実時間シミュレーションにより検証され, 符号化されたインピーダンスベクトルにより, 元のインピーダンス曲線の高速伝送と正確な再構成が可能であることを示す。

関連論文リスト

• Seismic Acoustic Impedance Inversion Framework Based on Conditional Latent Generative Diffusion Model [17.677087517318988]
  本研究では, 条件付き遅延生成拡散モデルに基づく新しい耐震性インバージョンフレームワークを提案する。 提案手法は,数段の拡散ステップで高い反転精度と強い一般化能力が得られることを示す。
  論文  参考訳（メタデータ） (2025-06-16T14:19:40Z)
• Spatial Annealing for Efficient Few-shot Neural Rendering [73.49548565633123]
  我々はtextbfSpatial textbf Annealing regularized textbfNeRF (textbfSANeRF) という,正確で効率的な数発のニューラルレンダリング手法を導入する。 単に1行のコードを追加することで、SANeRFは、現在の数ショットのニューラルレンダリング方法と比較して、より優れたレンダリング品質とはるかに高速な再構築速度を提供する。
  論文  参考訳（メタデータ） (2024-06-12T02:48:52Z)
• Physics-guided Full Waveform Inversion using Encoder-Solver Convolutional Neural Networks [7.56372030029358]
  フルウェーブフォーム・インバージョン(Full Waveform Inversion, FWI)は、与えられた領域における波動速度分布を推定する逆問題である。 我々は畳み込みニューラルネットワークに基づくエンコーダ-ソルバ事前条件の学習プロセスを開発する。 高周波データを用いた2次元物理モデルを用いてFWI問題の解法を実証する。
  論文  参考訳（メタデータ） (2024-05-27T23:03:21Z)
• Improved impedance inversion by the iterated graph Laplacian [1.1786170679552188]
  本稿では,古典的あるいは深層学習に基づくアプローチと反復グラフラプラシアン正規化を統合したデータ適応型逆変換手法を提案する。 本手法は,従来のインバージョン手法とニューラルネットワークに基づく手法のいずれかを用いて導出したインピーダンス推定から開始する。
  論文  参考訳（メタデータ） (2024-04-25T04:21:56Z)
• Deep learning based sferics recognition for AMT data processing in the dead band [5.683853455697258]
  AMT (Audio magnetotellurics) 音波データ処理では、ある時間帯における干渉信号の欠如は、一般的にATTデッドバンドのエネルギー不足をもたらす。 本稿では,長期にわたって冗長に記録されたデータからスフェリック信号を自動的に認識するディープ畳み込みニューラルネットワーク(CNN)を提案する。 本手法はS/Nを大幅に改善し, デッドバンドのエネルギー不足を効果的に解決する。
  論文  参考訳（メタデータ） (2022-09-22T02:31:28Z)
• Denoising Diffusion Error Correction Codes [92.10654749898927]
  近年、ニューラルデコーダは古典的デコーダ技術に対する優位性を実証している。 最近の最先端のニューラルデコーダは複雑で、多くのレガシデコーダの重要な反復的スキームが欠如している。 本稿では,任意のブロック長の線形符号のソフトデコードにデノナイズ拡散モデルを適用することを提案する。
  論文  参考訳（メタデータ） (2022-09-16T11:00:50Z)
• Paraformer: Fast and Accurate Parallel Transformer for Non-autoregressive End-to-End Speech Recognition [62.83832841523525]
  そこで我々はParaformerと呼ばれる高速かつ高精度な並列トランスを提案する。 出力トークンの数を正確に予測し、隠れた変数を抽出する。 10倍以上のスピードアップで、最先端のARトランスフォーマーに匹敵するパフォーマンスを実現することができる。
  論文  参考訳（メタデータ） (2022-06-16T17:24:14Z)
• An advanced spatio-temporal convolutional recurrent neural network for storm surge predictions [73.4962254843935]
  本研究では, 人工ニューラルネットワークモデルを用いて, 嵐の軌跡/規模/強度履歴に基づいて, 強風をエミュレートする能力について検討する。 本研究では, 人工嵐シミュレーションのデータベースを用いて, 強風を予測できるニューラルネットワークモデルを提案する。
  論文  参考訳（メタデータ） (2022-04-18T23:42:18Z)
• Error Correction Code Transformer [92.10654749898927]
  本稿では,トランスフォーマーアーキテクチャを任意のブロック長で線形符号のソフトデコードに拡張することを提案する。 我々は,各チャネルの出力次元を高次元に符号化し,個別に処理すべきビット情報のより良い表現を行う。 提案手法は、トランスフォーマーの極端なパワーと柔軟性を示し、既存の最先端のニューラルデコーダを、その時間的複雑さのごく一部で大きなマージンで上回る。
  論文  参考訳（メタデータ） (2022-03-27T15:25:58Z)
• Multi-fidelity Generative Deep Learning Turbulent Flows [0.0]
  計算流体力学では、精度と計算コストの間に必然的なトレードオフがある。 本研究では,高忠実度乱流場の代理モデルとして,新しい多自由度深部生成モデルを提案する。 結果として生じるサロゲートは、物理的に正確な乱流実現を、高忠実度シミュレーションのそれよりも低い計算コストで生成することができる。
  論文  参考訳（メタデータ） (2020-06-08T16:37:48Z)
• Training End-to-End Analog Neural Networks with Equilibrium Propagation [64.0476282000118]
  本稿では,勾配降下による終端から終端までのアナログニューラルネットワークの学習法を提案する。 数学的には、アナログニューラルネットワークのクラス(非線形抵抗性ネットワークと呼ばれる)がエネルギーベースモデルであることが示される。 我々の研究は、オンチップ学習をサポートする、超高速でコンパクトで低消費電力のニューラルネットワークの新世代の開発を導くことができる。
  論文  参考訳（メタデータ） (2020-06-02T23:38:35Z)

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。