論文の概要: Wind Power Scenario Generation based on the Generalized Dynamic Factor Model and Generative Adversarial Network

• arxiv url: http://arxiv.org/abs/2508.00692v1
• Date: Fri, 01 Aug 2025 15:08:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-04 18:08:53.924299
• Title: Wind Power Scenario Generation based on the Generalized Dynamic Factor Model and Generative Adversarial Network
• Title（参考訳）: 一般化動的因子モデルと生成逆ネットワークに基づく風力発電シナリオ生成
• Authors: Young-ho Cho, Hao Zhu, Duehee Lee, Ross Baldick,
• Abstract要約: 本研究では,空間的および時間的相関,波形,境界傾斜率,統計特性を用いて,分散風力発電所の長期風力シナリオを同時に合成する。 GDFMとGANの利点を組み合わせるために、GANを用いて観測データから時間的情報を用いて動的因子を抽出するフィルタを提供し、そのフィルタをGDFMに応用して、可塑性波形の空間および周波数の両方を表す。
• 参考スコア（独自算出の注目度）: 6.5630456489767575
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: For conducting resource adequacy studies, we synthesize multiple long-term wind power scenarios of distributed wind farms simultaneously by using the spatio-temporal features: spatial and temporal correlation, waveforms, marginal and ramp rates distributions of waveform, power spectral densities, and statistical characteristics. Generating the spatial correlation in scenarios requires the design of common factors for neighboring wind farms and antithetical factors for distant wind farms. The generalized dynamic factor model (GDFM) can extract the common factors through cross spectral density analysis, but it cannot closely imitate waveforms. The GAN can synthesize plausible samples representing the temporal correlation by verifying samples through a fake sample discriminator. To combine the advantages of GDFM and GAN, we use the GAN to provide a filter that extracts dynamic factors with temporal information from the observation data, and we then apply this filter in the GDFM to represent both spatial and frequency correlations of plausible waveforms. Numerical tests on the combination of GDFM and GAN have demonstrated performance improvements over competing alternatives in synthesizing wind power scenarios from Australia, better realizing plausible statistical characteristics of actual wind power compared to alternatives such as the GDFM with a filter synthesized from distributions of actual dynamic filters and the GAN with direct synthesis without dynamic factors.
• Abstract（参考訳）: 本研究では, 空間的・時間的相関, 波形, 波形の辺縁・傾斜速度分布, パワースペクトル密度, 統計特性などの時空間的特徴を用いて, 分散風力発電所の長期風力シナリオを同時に合成する。 シナリオにおける空間的相関の生成には、近隣の風力発電所の共通要因と遠方の風力発電所のアンチテティカル要因の設計が必要である。 一般化動的因子モデル(GDFM)は、クロススペクトル密度解析により共通の因子を抽出できるが、波形を正確に模倣することはできない。 GANは、偽サンプル判別器を介してサンプルを検証することにより、時間相関を表す可塑性サンプルを合成することができる。 GDFMとGANの利点を組み合わせるために、GANを用いて観測データから時間的情報を含む動的因子を抽出し、このフィルタをGDFMに適用して、可塑性波形の空間的および周波数的相関を表わす。 GDFMとGANの組み合わせによる数値実験では、オーストラリアの風力発電シナリオの合成において、実際の動的フィルタの分布から合成したGDFMやGANを直接合成したGDFMのようなフィルタと比較して、実際の風力の可視的な統計的特性をよりよく実現した。

関連論文リスト

• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [55.09326865401653]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• SFTformer: A Spatial-Frequency-Temporal Correlation-Decoupling Transformer for Radar Echo Extrapolation [15.56594998349013]
  レーダエコーの空間形態と時間的進化はある程度の相関関係を示すが、それらは独立性を持っている。 レーダエコーのダイナミックスを効果的にモデル化するために,時空間相関分離変換器(SFTformer)を提案する。 HKO-7 と ChinaNorth-2021 データセットの実験結果から,SFTfomer の短時間 (1h), 中期 (2h), 長期 (3h) 降水量に優れた性能を示した。
  論文  参考訳（メタデータ） (2024-02-28T04:43:41Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Equivariant Flow Matching with Hybrid Probability Transport [69.11915545210393]
  拡散モデル (DM) は, 特徴量の多いジオメトリの生成に有効であることを示した。 DMは通常、非効率なサンプリング速度を持つ不安定な確率力学に悩まされる。 等変モデリングと安定化確率力学の両方の利点を享受する幾何フローマッチングを導入する。
  論文  参考訳（メタデータ） (2023-12-12T11:13:13Z)
• Generalization capabilities of conditional GAN for turbulent flow under changes of geometry [0.6445605125467573]
  乱流の合成モデリングのためのGAN(Generative Adversarial Network)は、この問題を克服するための数学的に確立されたアプローチである。 本研究では,GANをベースとした合成乱流発生器の流動形状に幾何的変化が発生した場合の一般化キャパビライトについて検討する。 我々は,抽出したウェイク位置の領域を拡大することにより,条件付きGANの一般化の能力と限界を示す。
  論文  参考訳（メタデータ） (2023-02-20T12:21:34Z)
• Algorithmic Hallucinations of Near-Surface Winds: Statistical Downscaling with Generative Adversarial Networks to Convection-Permitting Scales [0.0]
  我々は、畳み込みニューラルネットワークに基づくジェネレーティブ・アドバイサル・ネットワーク(GAN)に焦点を当てる。 気象調査と予測モデルシミュレーションを模擬した高分解能(HR)表面風を生成するために,我々は低分解能(LR)入力にGANを条件付けている。 本研究は、コンピュータビジョン分野からの新しい周波数分離(FS)アプローチを実験することにより、現在のSRに基づく統計的ダウンスケーリングに基づいている。
  論文  参考訳（メタデータ） (2023-02-17T06:29:12Z)
• Wind Power Scenario Generation Using Graph Convolutional Generative Adversarial Network [15.180479505941518]
  我々は風力シナリオを生成するために,GCGAN (Graph Convolutional Generative Adversarial Network) アプローチを開発した。 我々は,複数のウィンドファーム間の空間的相関を埋め込むグラフフィルタと,時間的特徴フィルタを表現するための1次元(1次元)畳み込み層を提唱する。 オーストラリアにおける実風力データを用いた数値計算の結果,提案したGCGANが生み出すシナリオは,他のGANベースの出力よりも現実的な空間的・時間的統計値を示した。
  論文  参考訳（メタデータ） (2022-12-19T02:42:31Z)
• Diffusion Probabilistic Model Made Slim [128.2227518929644]
  軽量画像合成のためのスリム拡散確率モデル(DPM)のカスタマイズ設計を提案する。 一連の条件および非条件画像生成タスクにおける遅延拡散モデルと比較して,計算複雑性を8-18倍に削減する。
  論文  参考訳（メタデータ） (2022-11-27T16:27:28Z)
• Noise Homogenization via Multi-Channel Wavelet Filtering for High-Fidelity Sample Generation in GANs [47.92719758687014]
  GAN(Generative Adversarial Networks)のための新しいマルチチャネルウェーブレットに基づくフィルタリング手法を提案する。 ジェネレータにウェーブレットのデコンボリューション層を埋め込むと、結果のGANであるWaveletGANがウェーブレットのデコンボリューションを利用して複数のチャネルによるフィルタリングを学習する。 オープンGANベンチマークツールを用いて,Fashion-MNIST,KMNIST,SVHNデータセットのベンチマーク実験を行った。
  論文  参考訳（メタデータ） (2020-05-14T03:40:11Z)

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。