論文の概要: Spatio-Temporal Gaussian Process for Building Terrain-Incorporating Wind Power Curves

• arxiv url: http://arxiv.org/abs/2607.00051v1
• Date: Tue, 30 Jun 2026 00:19:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.596088
• Title: Spatio-Temporal Gaussian Process for Building Terrain-Incorporating Wind Power Curves
• Title（参考訳）: 地形を組み込んだ風力曲線構築のための時空間ガウス過程
• Abstract要約: 風力タービンの出力曲線の正確なモデリングは、最適風力操作に不可欠である。 既存のすべてのパワーモデルは、農場の地形の影響を見下ろしながら、風速などの時間変数にカーブする。
• 参考スコア（独自算出の注目度）: 4.244284303622027
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate modeling of wind turbine power curves is crucial for optimal wind farm operation. Nearly all existing power curve models focus on temporal variables such as wind speed and temperature while overlooking the influence of terrain covariates, which governs inflow wind conditions and thus also affects wind power production. This paper proposes a nonparametric spatio-temporal Gaussian process model that integrates temporal environmental covariates with spatial terrain features. The model falls in the category of spatial-temporal Gaussian process models with data on a grid. The challenge to be addressed is that the spatio-temporal modeling require certain temporal alignment among the data, a property that the wind farm data does not have. Our solution strategy is to construct a shared representative temporal covariate set which not only aligns the temporal inputs but also has a size an order of magnitude smaller than the original data size. With this transformation, our resulting model is able to employ a separable kernel structure that captures both spatial and temporal dependencies. Empirical analysis on a real wind farm dataset shows that our method improves predictive accuracy over existing baselines and can be used to quantify the various impact of the terrain characteristics on turbine performance.
• Abstract（参考訳）: 風力発電の最適運転には,風力タービン動力曲線の正確なモデル化が不可欠である。 既存のすべてのパワーカーブモデルは、風速や温度などの時間変数に焦点を合わせ、地形の共変量の影響を見越して、流入風条件を制御し、風力生産に影響を与える。 本稿では,時間的環境共変量と空間的地形特性を統合する非パラメトリック時空間ガウス過程モデルを提案する。 このモデルは、グリッド上のデータを持つ空間時空間ガウス過程モデルに分類される。 対処すべき課題は、時空間モデリングは、風力ファームデータが持たない特性であるデータ間の時間的アライメントを必要とすることである。 我々のソリューション戦略は、時間的入力を整列するだけでなく、元のデータサイズよりも桁違いに小さいサイズの共有代表的時間的共変集合を構築することである。 この変換により、得られたモデルは、空間的および時間的依存関係の両方をキャプチャする分離可能なカーネル構造を用いることができる。 実風力発電データを用いた実験解析により,既存のベースラインよりも予測精度が向上し,タービン性能に対する地形特性の様々な影響を定量化できることがわかった。

関連論文リスト

• Fourier Geometric Wind Power Forecasting with Numerical Weather Prediction [28.040439766949234]
  本稿では,歴史的ポイントベースデータとグリッドベースの数値気象予測(NWP)を統合したフレームワークを提案する。 我々のモデルは一貫して最先端のベースラインを上回り、物理的にインフォームドされた設計の有効性を強調している。
  論文  参考訳（メタデータ） (2026-07-19T06:28:21Z)
• Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
  我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。 FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
  論文  参考訳（メタデータ） (2025-06-10T18:40:20Z)
• CirT: Global Subseasonal-to-Seasonal Forecasting with Geometry-inspired Transformer [47.65152457550307]
  重力の循環特性をモデル化する幾何インスパイアされた循環変換器(CirT)を提案する。 地球再分析5(ERA5)再解析データセットの実験は、我々のモデルが先進的なデータ駆動モデルよりも大幅に改善することを示した。
  論文  参考訳（メタデータ） (2025-02-27T04:26:23Z)
• 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)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• Probabilistic Spatiotemporal Modeling of Day-Ahead Wind Power Generation with Input-Warped Gaussian Processes [0.5801621787540268]
  私たちは、数百の風力発電所の時間スケールの日頭予測で作業しています。 我々は,風力の共分散における非定常性を捉えるために,時空間入力ワープと時空間入力ワープの両方を実装した分離可能な時空カーネルを設計する。 論文の後半は、テキサス州のERCOT地域の風力発電所を表す現実的で完全に校正されたデータセットを用いた詳細な事例研究に費やされている。
  論文  参考訳（メタデータ） (2024-09-10T23:52:40Z)
• Multi-Modal Learning-based Reconstruction of High-Resolution Spatial Wind Speed Fields [46.72819846541652]
  本稿では,Variデータ同化とディープラーニングの概念に基づくフレームワークを提案する。 この枠組みは、海面風速に関する高解像度のリッチインタイムを回復するために応用される。
  論文  参考訳（メタデータ） (2023-12-14T13:40:39Z)
• Prediction of wind turbines power with physics-informed neural networks and evidential uncertainty quantification [2.126171264016785]
  物理インフォームドニューラルネットワークを用いて、風力発電所の4基のタービンから得られた履歴データを再現する。 パワー, トルク, パワー係数の回帰モデルでは, 実データ, 物理式ともに精度が高いことがわかった。
  論文  参考訳（メタデータ） (2023-07-27T07:58:38Z)
• 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)
• Enhancing Short-Term Wind Speed Forecasting using Graph Attention and Frequency-Enhanced Mechanisms [17.901334082943077]
  GFST-WSFは、時間的特徴抽出のためのトランスフォーマーアーキテクチャと空間的特徴抽出のためのグラフ注意ネットワーク(GAT)を備える。 GATは風速局間の複雑な空間的依存関係を捉えるように設計されている。 地理的要因による隣接する風力発電所間の風速相関のモデル時間ラグ
  論文  参考訳（メタデータ） (2023-05-19T08:50:58Z)
• Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
  イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。 我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。 最適設計と性能は場所によって異なることがわかった。
  論文  参考訳（メタデータ） (2022-04-01T14:55:10Z)
• Deep Spatio-Temporal Wind Power Forecasting [4.219722822139438]
  エンコーダ・デコーダ構造に基づく深層学習手法を開発した。 本モデルでは,風力タービンが発生した風力を,他のタービンと比較して空間的位置と過去の風速データを用いて予測する。
  論文  参考訳（メタデータ） (2021-09-29T16:26:10Z)

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。