論文の概要: A Statistical and Machine Learning Framework for Operational Threshold Detection and Deployable Dispatch Controller Development in Hydrogen Multi-Energy Systems
- arxiv url: http://arxiv.org/abs/2606.14601v1
- Date: Fri, 12 Jun 2026 16:23:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-15 16:00:42.984177
- Title: A Statistical and Machine Learning Framework for Operational Threshold Detection and Deployable Dispatch Controller Development in Hydrogen Multi-Energy Systems
- Title（参考訳）: 水素多エネルギーシステムにおける動作閾値検出と展開可能な分散制御器開発のための統計的および機械学習フレームワーク
- Authors: Shadi Heenatigala, Hasanika Samarasinghe,
- Abstract要約: 本研究では,水素系マルチエネルギーシステム(H-MES)を特徴付ける統計的・機械学習フレームワークを提案する。
統計分析により再生可能余剰によって駆動される二元反応が明らかとなり、太陽光は水素生産におけるランクベースの分散の45.7%を説明できる。
相乗的な太陽風相互作用を持つ線形予測器として、複数の回帰確認された電解器パワーが支配的であった。
- 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: This study presents a statistical and machine learning framework for characterizing a hydrogen-based multi-energy system (H-MES) using one year of high-resolution operational data. Statistical analysis revealed a binary operation driven by renewable surplus, with solar irradiance explaining 45.7% of rank-based variance in hydrogen production, a large effect by conventional standards. Only high-irradiance periods triggered meaningful electrolyzer engagement, while electricity demand exerted a weaker inverse suppression effect ($ε^2 = 0.126$). Multiple regression confirmed electrolyzer power as the dominant linear predictor, with a synergistic solar-wind interaction. Notably, Random Forest analysis ranked wind output first in predictive importance despite its weak bivariate correlation (r = 0.167), revealing non-linear dynamics invisible to parametric methods. A sequence model exploited strong 24-hour autocorrelation (r = 0.845) for operational forecasting, while a reinforcement learning agent optimized hydrogen revenue dispatch. The core contribution is demonstrating that statistical and machine learning approaches are complementary for H-MES modeling and control.
- Abstract（参考訳）: 本研究では,水素ベースの多エネルギーシステム(H-MES)を1年間の高解像度運用データを用いて特徴付けるための統計的および機械学習フレームワークを提案する。
統計分析により、再生可能余剰によって駆動される二元演算が示され、太陽光は水素生産におけるランクベースの分散の45.7%を説明でき、これは従来の基準による大きな影響である。
高照度期間のみが有意義な電解質の関与を引き起こし、電気需要はより弱い逆抑制効果(ε^2 = 0.126$)を示した。
相乗的な太陽風相互作用を持つ線形予測器として、複数の回帰確認された電解器パワーが支配的であった。
特にランダムフォレスト分析では、弱二変量相関(r = 0.167)にもかかわらず、風力の出力が予測的重要性で第一にランクされ、パラメトリックな手法では見えない非線形力学が明らかとなった。
シークエンスモデルは24時間自己相関(r = 0.845)を運用予測に利用し、強化学習エージェントは水素収益配分を最適化した。
その中核となる貢献は、統計的および機械学習アプローチがH-MESモデリングと制御の補完であることを示すことである。
関連論文リスト
- STAR : Bridging Statistical and Agentic Reasoning for Large Model Performance Prediction [78.0692157478247]
本稿では,知識駆動型エージェント推論を用いて,データ駆動型静的予測を橋渡しするフレームワークSTARを提案する。
STARはスコアベースとランクベースの両方の基準線を一貫して上回ることを示す。
論文 参考訳（メタデータ） (2026-02-12T16:30:07Z) - Reframing Generative Models for Physical Systems using Stochastic Interpolants [45.16806809746592]
生成モデルは物理系の強力なサロゲートとして現れ、精度、安定性、および/または統計的忠実度が向上した。
ほとんどのアプローチは、PDEや気候などの力学系における自己回帰予測タスクにおいて、最も効果的でない選択であるガウシアンを反復的に飾ることに依存している。
本研究では,様々な物理領域やタスクにまたがる生成モデルをベンチマークし,補間剤の役割を強調した。
論文 参考訳（メタデータ） (2025-09-30T14:02:00Z) - Out-of-Sample Hydrocarbon Production Forecasting: Time Series Machine Learning using Productivity Index-Driven Features and Inductive Conformal Prediction [1.1534313664323632]
本研究は, アウトオブサンプル炭化水素生産予測の堅牢性を高めるために設計された新しいMLフレームワークを紹介する。
The Volve (wells PF14, PF12) and Norne (well E1H) oil field, this study is using the historical data from the Volve (wells PF14, PF12) and Norne (well E1H) oil field, we investigated the effective of various predictive algorithm。
論文 参考訳（メタデータ） (2025-08-12T19:14:46Z) - A Generative Framework for Causal Estimation via Importance-Weighted Diffusion Distillation [55.53426007439564]
観察データから個別化された治療効果を推定することは因果推論における中心的な課題である。
逆確率重み付け(IPW)は、この問題に対するよく確立された解決策であるが、現代のディープラーニングフレームワークへの統合は依然として限られている。
本稿では,拡散モデルの事前学習と重み付きスコア蒸留を組み合わせた新しい生成フレームワークであるIWDDを提案する。
論文 参考訳（メタデータ） (2025-05-16T17:00:52Z) - The geomagnetic storm and Kp prediction using Wasserstein transformer [1.1272369832509876]
不均一なデータソースを統合することで,3日と5日の惑星Kp指数を予測する新しい枠組みを提案する。
重要な革新は、ワッサーシュタイン距離を変換器に組み入れることと、モダリティ間の確率分布を整列させる損失関数である。
論文 参考訳（メタデータ） (2025-03-29T14:39:42Z) - Integrating Physics and Data-Driven Approaches: An Explainable and Uncertainty-Aware Hybrid Model for Wind Turbine Power Prediction [1.1270209626877075]
風力エネルギーセクターの急速な成長は、タービンの運転を最適化する緊急の必要性を浮き彫りにしている。
伝統的な経験的モデルと物理学に基づくモデルは、風速に基づく発電の近似予測を提供する。
データ駆動機械学習手法は、風力タービンモデリングを改善するための有望な道を示す。
論文 参考訳（メタデータ） (2025-02-11T08:16:48Z) - AI-Powered Dynamic Fault Detection and Performance Assessment in Photovoltaic Systems [44.99833362998488]
太陽光発電(PV)の断続的な性質により、電力損失は10-70%、エネルギー生産量は25%減少する。
現在の故障検出戦略はコストが高く、複雑なデータ信号プロファイルのために信頼性の低い結果が得られることが多い。
本研究では,PythonのPVlibライブラリを用いた動的損失量子化アルゴリズムを取り入れた計算モデルを提案する。
論文 参考訳（メタデータ） (2024-08-19T23:52:06Z) - Physics-Informed Gaussian Process Regression for Probabilistic States
Estimation and Forecasting in Power Grids [67.72249211312723]
電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。
PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。
提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
論文 参考訳（メタデータ） (2020-10-09T14:18:31Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - A Locally Adaptive Interpretable Regression [7.4267694612331905]
線形回帰は最も解釈可能な予測モデルの一つである。
本稿では,局所適応型解釈型回帰(LoAIR)を導入する。
我々のモデルは、他の最先端のベースラインと同等またはより良い予測性能を達成する。
論文 参考訳（メタデータ） (2020-05-07T09:26:14Z)
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。