論文の概要: Legendre Memory Unit with A Multi-Slice Compensation Model for Short-Term Wind Speed Forecasting Based on Wind Farm Cluster Data

• arxiv url: http://arxiv.org/abs/2602.04782v1
• Date: Wed, 04 Feb 2026 17:28:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.655392
• Title: Legendre Memory Unit with A Multi-Slice Compensation Model for Short-Term Wind Speed Forecasting Based on Wind Farm Cluster Data
• Title（参考訳）: 風力発電クラスタデータに基づく短期風速予測のためのマルチスライス補償モデルを用いたレジェンダメモリユニット
• Authors: Mumin Zhang, Haochen Zhang, Xin Zhi Khoo, Yilin Zhang, Nuo Chen, Ting Zhang, Junjie Tang,
• Abstract要約: 本稿では,時空間相関を用いたクラスタデータの完全活用により,高精度,高速,堅牢な風速予測を実現することに焦点を当てた。 革新的なアンサンブルモデルWMF-CPK-MSLMUが提案され、データ前処理、予測、マルチスライス補償の3つの重要なブロックがある。
• 参考スコア（独自算出の注目度）: 13.841357988415636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With more wind farms clustered for integration, the short-term wind speed prediction of such wind farm clusters is critical for normal operation of power systems. This paper focuses on achieving accurate, fast, and robust wind speed prediction by full use of cluster data with spatial-temporal correlation. First, weighted mean filtering (WMF) is applied to denoise wind speed data at the single-farm level. The Legendre memory unit (LMU) is then innovatively applied for the wind speed prediction, in combination with the Compensating Parameter based on Kendall rank correlation coefficient (CPK) of wind farm cluster data, to construct the multi-slice LMU (MSLMU). Finally, an innovative ensemble model WMF-CPK-MSLMU is proposed herein, with three key blocks: data pre-processing, forecasting, and multi-slice compensation. Advantages include: 1) LMU jointly models linear and nonlinear dependencies among farms to capture spatial-temporal correlations through backpropagation; 2) MSLMU enhances forecasting by using CPK-derived weights instead of random initialization, allowing spatial correlations to fully activate hidden nodes across clustered wind farms.; 3) CPK adaptively weights the compensation model in MSLMU and complements missing data spatially, to facilitate the whole model highly accurate and robust. Test results on different wind farm clusters indicate the effectiveness and superiority of proposed ensemble model WMF-CPK-MSLMU in the short-term prediction of wind farm clusters compared to the existing models.
• Abstract（参考訳）: 統合のためにより多くの風力発電所がクラスタ化されているため、このような風力発電所の短期的な風速予測は、電力系統の正常な運用には不可欠である。 本稿では,時空間相関を用いたクラスタデータの完全活用により,高精度,高速,堅牢な風速予測を実現することに焦点を当てた。 まず、単ファームレベルでの風速データに重み付き平均フィルタリング(WMF)を適用する。 そして、リジェンダーメモリユニット(LMU)をウィンドファームクラスタデータのケンドールランク相関係数(CPK)に基づく補償パラメータと組み合わせて、風速予測に革新的に適用し、マルチスライスLMU(MSLMU)を構築する。 最後に、データ前処理、予測、マルチスライス補償という3つの重要なブロックを持つ革新的なアンサンブルモデルWMF-CPK-MSLMUを提案する。 利点は以下のとおりである。 1)LMUは、バックプロパゲーションを通じて空間的・時間的相関を捉えるため、農家間での線形・非線形依存関係を共同でモデル化する。 2) MSLMU は乱数初期化の代わりに CPK 由来の重みを用いることで予測を強化し,空間的相関によりクラスタ化された風力発電所全体で隠れノードを完全に活性化する。 ; 3)CPKはMSLMUの補正モデルを適応的に重み付けし,空間的に欠落したデータを補うことにより,モデル全体の精度と堅牢性を向上する。 ウィンドファームクラスタの比較実験の結果,既存のモデルと比較した場合の短期予測において,提案するアンサンブルモデルWMF-CPK-MSLMUの有効性と優位性を示した。

関連論文リスト

• Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
  我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。 予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
  論文  参考訳（メタデータ） (2026-02-03T16:01:22Z)
• Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
  第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。 We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
  論文  参考訳（メタデータ） (2025-11-04T17:22:22Z)
• Evaluation of Machine and Deep Learning Techniques for Cyclone Trajectory Regression and Status Classification by Time Series Data [0.0]
  従来の数値天気予報モデルは、計算集約的であり、大気系のカオス的な性質のためにエラーを起こしやすい。 本研究では,全国ハリケーンセンターの時系列データを用いて,熱帯性サイクロン軌道の予測と状況に対する機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2025-09-29T00:51:07Z)
• Wind Speed Forecasting Based on Data Decomposition and Deep Learning Models: A Case Study of a Wind Farm in Saudi Arabia [0.0]
  風力発電は常に風速のボラティリティによる不確実性を伴う。 風速予測(WSF)は電力グリッドのディスパッチ、安定性、制御性に不可欠である。 本研究では,ハイブリッド分解法に基づく定常データのための新しいWSFフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-17T22:04:46Z)
• Improved Anomaly Detection through Conditional Latent Space VAE Ensembles [49.1574468325115]
  条件付きラテント空間変分オートエンコーダ(CL-VAE)は、既知の不整形クラスと未知の不整形クラスを持つデータに対する異常検出のための前処理を改善した。 モデルでは異常検出の精度が向上し、MNISTデータセットで97.4%のAUCが達成された。 さらに、CL-VAEは、アンサンブルの利点、より解釈可能な潜在空間、モデルサイズに制限のある複雑なデータでパターンを学習する能力の増大を示す。
  論文  参考訳（メタデータ） (2024-10-16T07:48:53Z)
• 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)
• Contextualizing MLP-Mixers Spatiotemporally for Urban Data Forecast at Scale [54.15522908057831]
  本稿では,STTD予測を大規模に行うためのコンピュータ・ミクサーの適応版を提案する。 我々の結果は、この単純な効率の良いソリューションが、いくつかのトラフィックベンチマークでテストした場合、SOTAベースラインに匹敵する可能性があることを驚くほど示している。 本研究は, 実世界のSTTD予測において, 簡便な有効モデルの探索に寄与する。
  論文  参考訳（メタデータ） (2023-07-04T05:19:19Z)
• 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)
• Multi-Step Short-Term Wind Speed Prediction with Rank Pooling and Fast Fourier Transformation [0.0]
  短期的な風速予測は、経済的な風力利用に不可欠である。 現実の風速データは通常断続的で変動し、既存の浅いモデルに大きな課題をもたらす。 本稿では,多段風速予測,すなわちLR-FFT-RP-MLP/LSTMのための新しいハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2022-11-23T14:02:52Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)

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。