論文の概要: A Behaviour-Aware Federated Forecasting Framework for Distributed Stand-Alone Wind Turbines

• arxiv url: http://arxiv.org/abs/2603.05263v1
• Date: Thu, 05 Mar 2026 15:12:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-06 22:06:11.289193
• Title: A Behaviour-Aware Federated Forecasting Framework for Distributed Stand-Alone Wind Turbines
• Title（参考訳）: 分散型スタンドアローン風車の挙動を考慮したフェデレーション予測フレームワーク
• Authors: Bowen Li, Xiufeng Liu, Maria Sinziiana Astefanoaei,
• Abstract要約: 本稿では,2段階の連成学習フレームワークを提案する。 デンマークで400基のスタンドアローンタービンの実験により、DSSオートは行動的に一貫性のあるグループを発見し、競争力のある予測精度を達成することが示された。
• 参考スコア（独自算出の注目度）: 9.112868750406186
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate short-term wind power forecasting is essential for grid dispatch and market operations, yet centralising turbine data raises privacy, cost, and heterogeneity concerns. We propose a two-stage federated learning framework that first clusters turbines by long-term behavioural statistics using Double Roulette Selection (DRS) initialisation with recursive Auto-split refinement, and then trains cluster-specific LSTM models via FedAvg. Experiments on 400 stand-alone turbines in Denmark show that DRS-auto discovers behaviourally coherent groups and achieves competitive forecasting accuracy while preserving data locality. Behaviour-aware grouping consistently outperforms geographic partitioning and matches strong k-means++ baselines, suggesting a practical privacy-friendly solution for heterogeneous distributed turbine fleets.
• Abstract（参考訳）: グリッドディスパッチや市場運用には正確な短期風力予測が不可欠であるが、タービンデータの集中化はプライバシ、コスト、不均一性の懸念を引き起こす。 本稿では,Double Roulette Selection (DRS) の初期化と再帰的オートスプリットの改良を併用し,FedAvgを介してクラスタ固有のLSTMモデルを訓練する2段階学習フレームワークを提案する。 デンマークで400基のスタンドアローンタービンの実験により、DSSオートは行動的に一貫性のあるグループを発見し、データの局所性を保ちながら競合予測精度を達成することを示した。 振る舞いを意識したグループ化は、地理的パーティショニングを一貫して上回り、強力なk-means++ベースラインにマッチする。

関連論文リスト

• DiffusionDriveV2: Reinforcement Learning-Constrained Truncated Diffusion Modeling in End-to-End Autonomous Driving [65.7087560656003]
  エンドツーエンドの自動運転のための生成拡散モデルは、しばしばモード崩壊に悩まされる。 強化学習を利用して低品質モードを制約し,優れた軌道探索を行うDiffusionDriveV2を提案する。 これにより、そのコアであるガウス混合モデル固有の多重モード性を維持しながら、全体的な出力品質が大幅に向上する。
  論文  参考訳（メタデータ） (2025-12-08T17:29:52Z)
• Hybrid Autoencoder-Based Framework for Early Fault Detection in Wind Turbines [0.7156193707786874]
  本稿では,風力タービンにおける教師なし異常検出のためのアンサンブルに基づく新しいディープラーニングフレームワークを提案する。 提案手法は, 0.947のAUC-ROCを実現し, 故障の48時間前に早期故障検出を行う。 このアプローチは、予測的メンテナンスを可能にし、タービンの故障を低減し、大規模風力エネルギー展開における運用効率を向上することで、社会的な価値を著しく高める。
  論文  参考訳（メタデータ） (2025-10-16T10:49:19Z)
• Prototype-based Heterogeneous Federated Learning for Blade Icing Detection in Wind Turbines with Class Imbalanced Data [23.229445493233573]
  本研究では,風力タービン翼のアイシングを検出するため,異種環境におけるクラス不均衡データのプロトタイプ学習モデルを提案する。 2つの風力発電所を横断する20基のタービンの実データを用いた実験により,本手法は5つのFLモデルと5つのクラス不均衡法より優れていた。
  論文  参考訳（メタデータ） (2025-03-11T11:37:43Z)
• Interaction-Aware Gaussian Weighting for Clustered Federated Learning [58.92159838586751]
  フェデレートラーニング(FL)は、プライバシを維持しながらモデルをトレーニングするための分散パラダイムとして登場した。 本稿では,新たなクラスタリングFL法であるFedGWC(Federated Gaussian Weighting Clustering)を提案する。 ベンチマークデータセットを用いた実験により,FedGWCはクラスタの品質と分類精度において,既存のFLアルゴリズムよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-02-05T16:33:36Z)
• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Probabilistic Multi-Layer Perceptrons for Wind Farm Condition Monitoring [4.956709222278242]
  本研究では,通常行動モデルに基づく風力発電施設のコンディションモニタリングシステムについて述べる。 このモデルは、監督制御とデータ取得システムから得られた特徴に基づいて、風力タービンの出力パワーを予測する。
  論文  参考訳（メタデータ） (2024-04-25T10:41:12Z)
• FreDF: Learning to Forecast in the Frequency Domain [54.2091536822376]
  時系列モデリングは、歴史的データと将来のシーケンスの両方における自己相関による固有の課題を提示する。 本稿では,周波数領域の予測学習によりラベル自己相関を緩和する周波数強調直接予測(FreDF)を提案する。
  論文  参考訳（メタデータ） (2024-02-04T08:23:41Z)
• Towards Fleet-wide Sharing of Wind Turbine Condition Information through Privacy-preserving Federated Learning [0.0]
  我々は、風力タービンにデータを残しながら、そのローカルデータに対するフリートワイドな学習を可能にすることによって、データのプライバシを保護する分散機械学習アプローチを提案する。 フェデレートされた艦隊規模の学習を通して、代表的トレーニングデータをほとんど、あるいは全く持たないタービンは、より正確な正常な行動モデルから恩恵を受けることができることを示す。
  論文  参考訳（メタデータ） (2022-12-07T09:22:33Z)
• Heterogeneous Federated Learning via Grouped Sequential-to-Parallel Training [60.892342868936865]
  フェデレートラーニング(Federated Learning, FL)は、プライバシ保護のためのコラボレーション機械学習パラダイムである。 本稿では,この課題に対処するため,データヘテロジニアス・ロバストFLアプローチであるFedGSPを提案する。 その結果,FedGSPは7つの最先端アプローチと比較して平均3.7%の精度向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2022-01-31T03:15:28Z)
• Intelligent Icing Detection Model of Wind Turbine Blades Based on SCADA data [0.0]
  本稿では,畳み込みニューラルネットワーク(CNN),GAN(Generative Adversarial Network),ドメイン適応学習(Domain Adaption Learning)を用いて,インテリジェントな診断フレームワークを構築する可能性について検討する。 本研究は, 正常およびアイシング試料の固有特徴を捉えるために, 並列GANを用いた2段階の訓練について検討する。 3つの風力タービンSCADAデータのモデル検証は、2段階の訓練がモデル性能を効果的に改善できることを示している。
  論文  参考訳（メタデータ） (2021-01-20T00:46:52Z)
• T$^2$-Net: A Semi-supervised Deep Model for Turbulence Forecasting [65.498967509424]
  空気の乱気流予測は、乗客の安全を保ち、効率を最大化し、コストを下げるガイドルートである有害な乱気流を避けるのに役立つ。 従来の予測手法は、動的で複雑な気象条件では効果の低い、高度にカスタマイズされた乱流指数に依存している。 本研究では,(1)複雑な時間的相関関係と(2)希少性,非常に限られた乱流ラベルが得られるという2つの課題から,機械学習による乱流予測システムを提案する。
  論文  参考訳（メタデータ） (2020-10-26T21:14:15Z)

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。