論文の概要: Integrated Forecasting of Marine Renewable Power: An Adaptively Bayesian-Optimized MVMD-LSTM Framework for Wind-Solar-Wave Energy

• arxiv url: http://arxiv.org/abs/2509.25226v1
• Date: Wed, 24 Sep 2025 11:29:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 17:09:04.178607
• Title: Integrated Forecasting of Marine Renewable Power: An Adaptively Bayesian-Optimized MVMD-LSTM Framework for Wind-Solar-Wave Energy
• Title（参考訳）: 海洋再生可能電力の総合予測:風速波エネルギーのための適応ベイズ最適化MVMD-LSTMフレームワーク
• Authors: Baoyi Xie, Shuiling Shi, Wenqi Liu,
• Abstract要約: 総合的な音波海洋システムは、沖合と沿岸部でクリーンな電気を供給することを広く約束している。 複数のリソースの補完を利用することで、そのようなシステムは単一ソース出力の不確定性とボラティリティを効果的に軽減することができる。 正確な超短命予測は、安全な運用とプロアクティブディスパッチの最適化に不可欠である。
• 参考スコア（独自算出の注目度）: 4.097364225798782
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Integrated wind-solar-wave marine energy systems hold broad promise for supplying clean electricity in offshore and coastal regions. By leveraging the spatiotemporal complementarity of multiple resources, such systems can effectively mitigate the intermittency and volatility of single-source outputs, thereby substantially improving overall power-generation efficiency and resource utilization. Accurate ultra-short-term forecasting is crucial for ensuring secure operation and optimizing proactive dispatch. However, most existing forecasting methods construct separate models for each energy source, insufficiently account for the complex couplings among multiple energies, struggle to capture the system's nonlinear and nonstationary dynamics, and typically depend on extensive manual parameter tuning-limitations that constrain both predictive performance and practicality. We address this issue using a Bayesian-optimized Multivariate Variational Mode Decomposition-Long Short-Term Memory (MVMD-LSTM) framework. The framework first applies MVMD to jointly decompose wind, solar and wave power series so as to preserve cross-source couplings; it uses Bayesian optimization to automatically search the number of modes and the penalty parameter in the MVMD process to obtain intrinsic mode functions (IMFs); finally, an LSTM models the resulting IMFs to achieve ultra-short-term power forecasting for the integrated system. Experiments based on field measurements from an offshore integrated energy platform in China show that the proposed framework significantly outperforms benchmark models in terms of MAPE, RMSE and MAE. The results demonstrate superior predictive accuracy, robustness, and degree of automation.
• Abstract（参考訳）: 総合的な風力・音波海洋エネルギーシステムは、沖合および沿岸部でクリーンな電力を供給することを広く約束している。 複数の資源の時空間的相補性を活用することで、そのようなシステムは単一資源出力の断続性と変動性を効果的に軽減し、発電効率と資源利用を大幅に改善することができる。 正確な超短命予測は、安全な運用とプロアクティブディスパッチの最適化に不可欠である。 しかし、既存の予測手法の多くは、エネルギー源ごとに別々のモデルを構築し、複数のエネルギー間の複雑な結合を十分に考慮しておらず、システムの非線形および非定常力学を捉えるのに苦労しており、通常、予測性能と実用性の両方を制限する広範囲な手動パラメータチューニング制限に依存している。 ベイズ最適化多変量モード分解長短期記憶(MVMD-LSTM)フレームワークを用いてこの問題に対処する。 このフレームワークはまず、風、太陽、波の電力系列を共同分解して、クロスソース結合を維持するために、MVMDを適用し、ベイズ最適化を用いて、MVMDプロセスのモード数とペナルティパラメータを自動的に探索し、固有のモード関数(IMF)を得る。 中国におけるオフショア統合エネルギープラットフォームによるフィールド計測に基づく実験により,提案手法は,MAPE,RMSE,MAEのベンチマークモデルよりも有意に優れていた。 その結果,予測精度,堅牢性,自動化度が向上した。

関連論文リスト

• WSM: Decay-Free Learning Rate Schedule via Checkpoint Merging for LLM Pre-training [64.0932926819307]
  本稿では,学習速度減衰とモデルマージの正式な関係を確立するフレームワークであるWarmup-Stable and Merge(WSM)を紹介する。 WSMは様々な崩壊戦略をエミュレートするための統一された理論基盤を提供する。 私たちのフレームワークは、複数のベンチマークで広く採用されているWarmup-Stable-Decay(WSD)アプローチよりも一貫して優れています。
  論文  参考訳（メタデータ） (2025-07-23T16:02:06Z)
• Enhanced Photovoltaic Power Forecasting: An iTransformer and LSTM-Based Model Integrating Temporal and Covariate Interactions [16.705621552594643]
  既存のモデルは、しばしばターゲット変数と共変量の間の複雑な関係を捉えるのに苦労する。 対象変数からの特徴抽出にiTransformerを利用する新しいモデルアーキテクチャを提案する。 クロスアテンション機構は両方のモデルの出力を融合するために統合され、続いてコルモゴロフ・アルノルドネットワークマッピングが続く。 その結果, PV発電の季節変動を効果的に把握し, 予測精度を向上することが示唆された。
  論文  参考訳（メタデータ） (2024-12-03T09:16:13Z)
• Short-term Wind Speed Forecasting for Power Integration in Smart Grids based on Hybrid LSSVM-SVMD Method [0.0]
  風力エネルギーは、最も広く利用されている再生可能エネルギー資源の1つとなっている。 グリッドシステムへの風力統合の成功は、正確な風速予測モデルに基づいている。 本稿では,短期風速予測のためのハイブリッド機械学習手法を提案する。
  論文  参考訳（メタデータ） (2024-08-30T10:35:59Z)
• 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)
• 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)
• DA-LSTM: A Dynamic Drift-Adaptive Learning Framework for Interval Load Forecasting with LSTM Networks [1.3342521220589318]
  ドリフト等級閾値は、ドリフトを識別するための変化検出方法を設計するために定義されるべきである。 本稿では,負荷予測モデルの性能向上を図るための動的ドリフト適応長短期メモリ(DA-LSTM)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-15T16:26:03Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• An Efficient Multi-objective Evolutionary Approach for Solving the Operation of Multi-Reservoir System Scheduling in Hydro-Power Plants [0.0]
  そこで本研究では,水力発電プラントの1日当たりの総エネルギー生産量を最大化することを目的とする,新しい数学的モデリング手法を提案する。 この問題を解決するために,多目的進化群ハイブリダイゼーション(MESH)アルゴリズムについて論じる。 MESHは、効率と精度の点で、代替の多目的アプローチよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2021-07-20T18:39:09Z)
• 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。