Fugu-MT 論文翻訳(概要): Multi-task neural diffusion processes for uncertainty-quantified wind power prediction

論文の概要: Multi-task neural diffusion processes for uncertainty-quantified wind power prediction

arxiv url: http://arxiv.org/abs/2510.03419v1
Date: Fri, 03 Oct 2025 18:26:23 GMT
ステータス: 翻訳完了
システム内更新日: 2025-10-07 16:52:59.034555
Title: Multi-task neural diffusion processes for uncertainty-quantified wind power prediction
Title（参考訳）: 不確実性定量風力予測のためのマルチタスク神経拡散プロセス
Authors: Joseph Rawson, Domniki Ladopoulou, Petros Dellaportas,
Abstract要約: グリッド統合と信頼性の高い風力発電運用には,不確実性を考慮した風力発電予測が不可欠である。我々は,関数上の分布を学習するニューラル拡散過程(NDP)を応用し,風力予測のためのマルチタスクNDP(MT-NDP)フレームワークに拡張する。実監督管理・データ取得(SCADA)データにおけるNDPの実証評価を行った。
参考スコア（独自算出の注目度）: 3.491999371287298
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Uncertainty-aware wind power prediction is essential for grid integration and reliable wind farm operation. We apply neural diffusion processes (NDPs)-a recent class of models that learn distributions over functions-and extend them to a multi-task NDP (MT-NDP) framework for wind power prediction. We provide the first empirical evaluation of NDPs in real supervisory control and data acquisition (SCADA) data. We introduce a task encoder within MT-NDPs to capture cross-turbine correlations and enable few-shot adaptation to unseen turbines. The proposed MT-NDP framework outperforms single-task NDPs and GPs in terms of point accuracy and calibration, particularly for wind turbines whose behaviour deviates from the fleet average. In general, NDP-based models deliver calibrated and scalable predictions suitable for operational deployment, offering sharper, yet trustworthy, predictive intervals that can support dispatch and maintenance decisions in modern wind farms.
Abstract（参考訳）: グリッド統合と信頼性の高い風力発電運用には,不確実性を考慮した風力発電予測が不可欠である。我々は,関数上の分布を学習するニューラル拡散過程(NDP)を応用し,風力予測のためのマルチタスクNDP(MT-NDP)フレームワークに拡張する。実監督管理・データ取得(SCADA)データにおけるNDPの実証評価を行った。 MT-NDP内にタスクエンコーダを導入し、タービン間相関を捕捉し、未知のタービンへの少数ショット適応を可能にする。提案したMT-NDPフレームワークは点精度と校正の点で単座NDPやGPよりも優れており、特に風力タービンの挙動が艦隊平均からずれている。一般に、NDPベースのモデルは、運用展開に適した調整済みでスケーラブルな予測を提供し、より鋭く、信頼性があり、予測可能な間隔を提供し、現代の風力発電所でのディスパッチとメンテナンスの意思決定を支援する。

関連論文リスト

Accelerated Execution of Bayesian Neural Networks using a Single Probabilistic Forward Pass and Code Generation [8.330425840952488]
機械学習モデルは、診断、天気予報、NLP、自律運転などの領域でよく機能する。従来のニューラルネットワークは、ドメイン外データ(OOD)の検出に失敗することが多く、自信を持って不正確な予測を出力することがある。確率的フォワードパス(PFP)は、変分推論(SVI)に対する高効率な近似を提供する PFPは計算効率においてSVIを一貫して上回り、小型のミニバッチでは最大4200倍のスピードアップを達成する。
論文参考訳（メタデータ） (2025-11-28T18:35:20Z)
On autoregressive deep learning models for day-ahead wind power forecasting with irregular shutdowns due to redispatching [0.6001424997506751]
再パッチ計画のためには、風力発電(WP)の可利用性を伝えるために、日頭予測が必要である。再パッチ停止によるWP生成能力の不規則な介入は、WP予測モデルの設計と運用に課題をもたらす。本稿では,正規および不規則の両方のシャットダウンを伴うデータセットの最先端予測手法を解析する。
論文参考訳（メタデータ） (2024-11-30T10:30:11Z)
DeepMedcast: A Deep Learning Method for Generating Intermediate Weather Forecasts among Multiple NWP Models [0.0]
2つ以上のNWP出力間の中間予測を生成するディープラーニング手法であるDeepMedcastを提案する。平均値とは異なり、DeepMedcastは気象学的に重要な特徴が算術平均と一致する予測を提供する。ケーススタディと検証結果を通じてDeepMedcastの能力を実証する。
論文参考訳（メタデータ） (2024-11-15T07:42:16Z)
Gridded Transformer Neural Processes for Large Unstructured Spatio-Temporal Data [47.14384085714576]
本稿では,非構造化観測を行うための格子状擬似トークンPと,効率的な注意機構を利用する格子状擬似トークンを含むプロセッサを紹介する。提案手法は,大規模データを含む様々な合成および実世界の回帰タスクにおいて,強いベースラインを一貫して上回る。実生活実験は気象データに基づいて行われ、気象モデルパイプラインで大規模に適用した場合の性能と計算上の利点をもたらすアプローチの可能性を示す。
論文参考訳（メタデータ） (2024-10-09T10:00:56Z)
Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。 Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
論文参考訳（メタデータ） (2024-07-28T19:18:59Z)
Not All Attention is Needed: Parameter and Computation Efficient Transfer Learning for Multi-modal Large Language Models [73.48675708831328]
MLLM(Multi-modal Large Language Models)のための新しいパラメータと計算効率のチューニング手法を提案する。 The Efficient Attention Skipping (EAS) method evaluate the attention redundancy and skips the less important MHAs to speed up inference。実験により、EASは高い性能とパラメータ効率を維持するだけでなく、推論速度を大幅に高速化することが示された。
論文参考訳（メタデータ） (2024-03-22T14:20:34Z)
Bias correction of wind power forecasts with SCADA data and continuous learning [0.0]
我々は,4つの機械学習に基づく風力予測モデルを提示し,評価し,比較する。本モデルは,65基の風力タービンからなるウィンドパークのデータセットを用いて評価した。
論文参考訳（メタデータ） (2024-02-21T16:31:45Z)
Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文参考訳（メタデータ） (2024-02-06T21:28:42Z)
Towards Long-Term predictions of Turbulence using Neural Operators [68.8204255655161]
機械学習を用いて乱流シミュレーションのための低次/サロゲートモデルを開発することを目的としている。異なるモデル構造が解析され、U-NET構造は標準FNOよりも精度と安定性が良い。
論文参考訳（メタデータ） (2023-07-25T14:09:53Z)
When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
論文参考訳（メタデータ） (2021-06-07T18:31:47Z)
Towards More Fine-grained and Reliable NLP Performance Prediction [85.78131503006193]
NLPタスクのパフォーマンス予測の改善に2つの貢献をしている。まず,F1やBLEUのような総合的な精度測定のための性能予測器について検討する。次に,信頼区間とキャリブレーションの2つの角度から性能予測モデルの信頼性を理解する手法を提案する。
論文参考訳（メタデータ） (2021-02-10T15:23:20Z)
Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文参考訳（メタデータ） (2020-12-23T16:21:34Z)
Hybrid Neuro-Evolutionary Method for Predicting Wind Turbine Power Output [6.411829871947649]
我々は,スウェーデンのオンショア風力発電所から出力される電力を推定するために,SCADAシステムにおける履歴データを入力として利用する。風のパターンが非線形で多様であるという事前の知識により、我々は自己適応微分進化(SaDE)アルゴリズムを組み合わせる。私たちのアプローチは、そのアプローチよりも優れています。
論文参考訳（メタデータ） (2020-04-02T04:22:22Z)

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。