論文の概要: Deep Learning for Modeling and Dispatching Hybrid Wind Farm Power Generation

• arxiv url: http://arxiv.org/abs/2512.00728v1
• Date: Sun, 30 Nov 2025 04:47:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-02 19:46:34.385824
• Title: Deep Learning for Modeling and Dispatching Hybrid Wind Farm Power Generation
• Title（参考訳）: ハイブリッド風力発電のモデル化と分散のための深層学習
• Authors: Zach Lawrence, Jessica Yao, Chris Qin,
• Abstract要約: 総合的なエネルギー貯蔵を行う風力発電所(ハイブリッド風力発電所)は、運用戦略に従ってエネルギーを蓄え、グリッドに送電することができる。 本研究では,個別の風力発電に適したLSTMベースのディスパッチ戦略であるCOVE-NNと,RMSEを9.5%削減した発電モデリングフレームワークの2つのディープラーニングフレームワークを開発する。 これらのモデルは、より堅牢でデータ駆動型のディスパッチ戦略と、他の再生可能エネルギーシステムへの潜在的な拡張の道を開く。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Wind farms with integrated energy storage, or hybrid wind farms, are able to store energy and dispatch it to the grid following an operational strategy. For individual wind farms with integrated energy storage capacity, data-driven dispatch strategies using localized grid demand and market conditions as input parameters stand to maximize wind energy value. Synthetic power generation data modeled on atmospheric conditions provide another avenue for improving the robustness of data-driven dispatch strategies. To these ends, the present work develops two deep learning frameworks: COVE-NN, an LSTM-based dispatch strategy tailored to individual wind farms, which reduced annual COVE by 32.3% over 43 years of simulated operations in a case study at the Pyron site; and a power generation modeling framework that reduced RMSE by 9.5% and improved power curve similarity by 18.9% when validated on the Palouse wind farm. Together, these models pave the way for more robust, data-driven dispatch strategies and potential extensions to other renewable energy systems.
• Abstract（参考訳）: 総合的なエネルギー貯蔵を行う風力発電所(ハイブリッド風力発電所)は、運用戦略に従ってエネルギーを蓄え、グリッドに送電することができる。 総合的なエネルギー貯蔵能力を持つ個別の風力発電所では、局所的なグリッド需要と入力パラメータとしての市場条件を用いたデータ駆動型ディスパッチ戦略が風力エネルギー価値の最大化に有効である。 大気条件をモデル化した合成発電データは、データ駆動型ディスパッチ戦略のロバスト性を改善するための別の道を提供する。 これらの目的のために,本研究は,COVE-NN,LSTMをベースとした個々の風力発電所向けのディスパッチ戦略,年次COVEの32.3%削減,43年間のシミュレーション運用の削減,RMSEの9.5%削減,パルース風力発電所での電力曲線類似性を18.9%向上させる発電モデリングフレームワークの2つの深層学習フレームワークを開発した。 これらのモデルは、より堅牢でデータ駆動型のディスパッチ戦略と、他の再生可能エネルギーシステムへの潜在的な拡張の道を開く。

関連論文リスト

• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• CT-PatchTST: Channel-Time Patch Time-Series Transformer for Long-Term Renewable Energy Forecasting [4.70088249301921]
  本稿では,風力と太陽エネルギーの長期的,高忠実度予測を実現するための新しいディープラーニングモデルを提案する。 CT-PatchTSTは、効率的なエネルギー貯蔵計画、制御、ディスパッチに不可欠な時間依存性とチャネル間相関の両方をキャプチャする。 この研究は、より安定で応答性があり、コスト効率の良い電力ネットワークの設計に寄与する。
  論文  参考訳（メタデータ） (2025-01-15T06:35:39Z)
• Wind turbine condition monitoring based on intra- and inter-farm federated learning [0.0]
  風力エネルギーにおける多くのAI応用は、個々の風力タービンだけでなく、複数のタービンや複数の風力発電所の運用データを使用することで恩恵を受けることができる。 フェデレーテッド・ラーニングは、この文脈で、プライバシを保存する分散機械学習のアプローチとして登場した。 我々は、異なる風力発電所とタービンモデル間の協調や、同じ風力発電所とタービンモデルに制限された協力など、様々な連合学習戦略について検討する。
  論文  参考訳（メタデータ） (2024-09-05T16:25:30Z)
• Long-Term Hourly Scenario Generation for Correlated Wind and Solar Power combining Variational Autoencoders with Radial Basis Function Kernels [0.0]
  本研究では,風力発電と太陽光発電の長期シナリオを創出するための革新的な手法を提案する。 人工ニューラルネットワークアーキテクチャにラジアル基底関数(RBF)カーネルを組み込むことで、正規化特性を改善した潜在空間を得る。
  論文  参考訳（メタデータ） (2023-06-27T14:02:10Z)
• 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)
• 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)
• Low Emission Building Control with Zero-Shot Reinforcement Learning [70.70479436076238]
  強化学習(RL)による制御は、建築エネルギー効率を著しく向上させることが示されている。 我々は、ゼロショットビルディング制御と呼ばれるパラダイムを優先せずに、排出削減ポリシーを得られることを示す。
  論文  参考訳（メタデータ） (2022-08-12T17:13:25Z)
• Enforcing Policy Feasibility Constraints through Differentiable Projection for Energy Optimization [57.88118988775461]
  本稿では,ニューラルポリシー内での凸操作制約を強制するために,PROF(Projected Feasibility)を提案する。 エネルギー効率の高い建築操作とインバータ制御の2つの応用についてPROFを実証する。
  論文  参考訳（メタデータ） (2021-05-19T01:58:10Z)
• 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)
• NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
  モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2020-01-22T00:51:03Z)

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。