論文の概要: Technical Comparative Benchmarking Study: Advanced AI Hybrid Methods for Renewable Energy Farm Optimization and Forecasting

• arxiv url: http://arxiv.org/abs/2608.26613v1
• Date: Thu, 27 Aug 2026 04:52:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-28 16:30:58.245027
• Title: Technical Comparative Benchmarking Study: Advanced AI Hybrid Methods for Renewable Energy Farm Optimization and Forecasting
• Title（参考訳）: 技術比較ベンチマーク研究:再生可能エネルギーファーム最適化と予測のための高度なAIハイブリッド手法
• Abstract要約: 3つのデータセットは、大規模なWECデータセット、16のWECデータセット、ペンマンシールド風力発電所での10分間のSCADA測定である。 構造化WECレイアウトデータに対して、ツリーアンサンブルは従来のMLやニューラル予測器よりも明確な優位性を示した。 実験によると、単一のAIアーキテクチャが普遍的に最適であることはない。
• 参考スコア（独自算出の注目度）: 1.4582793306013615
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study provides a comprehensive benchmarking of conventional machine learning (ML), ensemble learning, deep neural networks, recurrent architectures, Transformers, graph based models, and hybrid ensemble deep learning approaches under complementary renewable energy scenarios. Three datasets are considered: a large scale WEC dataset, a 16 WEC dataset, and operational 10 min SCADA measurements at the Penmanshiel wind farm. For structured WEC layout data, tree ensembles exhibited a clear advantage over conventional ML and neural predictors because randomized partitioning and boosting efficiently captured nonlinear layout power interactions without requiring explicit feature representation learning. The Extra Trees was the strongest model, achieving considerable results. Relative to the MLP baseline, this corresponds to an approximately 63.7% reduction in MAE, demonstrating the suitability of randomized tree ensembles for high dimensional structured WEC data. Also, STGCN reduced the MAE to approximately 167.0 kW and achieved R = 0.93 by explicitly learning spatial and temporal turbine interactions. The best overall forecasting accuracy was obtained by the RF BiLSTM hybrid, with an MAE=150.5 kW. Compared with standalone LSTM, this represents an approximately 75% reduction in MAE, while improving on STGCN by approximately 10.0%. Finally, the experiments reveal that no single AI architecture is universally optimal: randomized and boosted ensembles are particularly effective for structured WEC surrogate modeling, graph networks become advantageous when explicit spatial interactions dominate, and ensemble recurrent hybrids provide the strongest balance when nonlinear tabular relationships and temporal dynamics coexist.
• Abstract（参考訳）: 本研究は、従来の機械学習(ML)、アンサンブル学習、ディープニューラルネットワーク、リカレントアーキテクチャ、トランスフォーマー、グラフベースモデル、および相補的再生可能エネルギーシナリオ下でのハイブリッドアンサンブルディープラーニングアプローチの包括的なベンチマークを提供する。 3つのデータセットは、大規模なWECデータセット、16のWECデータセット、ペンマンシールド風力発電所での10分間のSCADA測定である。 構造化されたWECレイアウトデータに対して、ツリーアンサンブルは、明示的な特徴表現学習を必要とせず、ランダム化されたパーティショニングと効率的に捕捉された非線形レイアウトパワーインタラクションを促進するため、従来のMLやニューラル予測器よりも明確な優位性を示した。 エクストラツリーは最強のモデルであり、かなりの成果を上げた。 MLPベースラインとは対照的に、これはMAEの約63.7%の削減に対応し、高次元構造化WECデータに対するランダム化ツリーアンサンブルの適合性を実証している。 また、STGCNはMAEを約167.0kWに減らし、空間的および時間的タービン相互作用を明示的に学習することでR = 0.93を達成した。 予測精度はRF BiLSTMハイブリッドで,MAE=150.5kWであった。 スタンドアロンLSTMと比較して、これは約75%のMAE減少を示し、STGCNを約10.0%改善する。 最後に、実験により、単一のAIアーキテクチャが普遍的に最適ではないことが明らかになった。ランダム化および強化されたアンサンブルは、構造化されたWECサロゲートモデリングに特に有効であり、明示的な空間的相互作用が支配されるときにグラフネットワークが有利になり、アンサンブルのリカレントハイブリッドは、非線形な表関係と時間的ダイナミクスが共存するときに最強のバランスを提供する。

関連論文リスト

• Comparative Evaluation of Machine Learning and Deep Learning Models for Wound-Rotor Synchronous Motor Performance Prediction [0.0]
  本研究は、FT Transformerのような最近のディープラーニングアーキテクチャを含む幅広いモデルスペクトルを提供する。 その結果、ニューラルネットワークベースのモデルは、木ベースのモデルよりも体系的に優れていることがわかった。
  論文  参考訳（メタデータ） (2026-06-19T08:49:47Z)
• Leveraging Energy Features for Surface Classification with Deep Learning: A Comparative Analysis Across Three Independent Datasets [45.88028371034407]
  エネルギーベースの手法は、移動ロボットにおける表面分類に対する比較的過小評価されたアプローチのままである。 本研究は,エネルギー由来の特徴を独立な分類法として,あるいは慣性データへの補足的な入力として,有効性を評価する。
  論文  参考訳（メタデータ） (2026-06-17T05:24:32Z)
• A comparative study of transformer models and recurrent neural networks for path-dependent composite materials [0.0]
  短繊維強化複合材料(SFRC)の均質化応答列を学習したリカレントニューラルネットワーク(RNN)と変圧器モデルを比較した。 その結果、トランスフォーマーモデルは大きなデータセットの精度で競争力を維持するが、RNNは小さなデータセットの精度を向上することを示した。
  論文  参考訳（メタデータ） (2026-02-17T09:29:54Z)
• MiniCPM-SALA: Hybridizing Sparse and Linear Attention for Efficient Long-Context Modeling [80.48332380100915]
  MiniCPM-SALAは、疎注意の高忠実長文モデリングと線形注意のグローバル効率を統合するハイブリッドモデルである。 1つのNVIDIA A6000D GPUでは、256Kトークンのシーケンス長におけるフルアテンションモデルの推論速度が3.5倍に達する。
  論文  参考訳（メタデータ） (2026-02-12T09:37:05Z)
• Every Attention Matters: An Efficient Hybrid Architecture for Long-Context Reasoning [73.10669391954801]
  本稿では、Ring-mini-linear-2.0およびRing-flash-linear-2.0を含むRing-linearモデルシリーズについて述べる。 どちらのモデルも線形アテンションとソフトマックスアテンションを効果的に統合するハイブリッドアーキテクチャを採用している。 32億のパラメータ密度モデルと比較して、このシリーズは推論コストを1/10に削減し、元のRingシリーズと比較すると、コストも50%以上削減される。
  論文  参考訳（メタデータ） (2025-10-22T07:59:38Z)
• Advanced Hybrid Transformer LSTM Technique with Attention and TS Mixer for Drilling Rate of Penetration Prediction [0.9282594860064428]
  本研究では,浸透率予測のための新しいディープラーニング型LSTM-Trans-Mixer-Attフレームワークを提案する。 提案するフレームワークは、シーケンシャルメモリ、静的特徴相互作用、グローバルコンテキスト学習、動的特徴重み付けを組み合わせたものである。 実世界の掘削データセットに対する実験的検証は優れた性能を示し、Rsquareは0.9991、MAPEは1.447%である。
  論文  参考訳（メタデータ） (2025-08-07T09:45:56Z)
• Efficient Federated Learning with Timely Update Dissemination [54.668309196009204]
  分散データ管理のための魅力的な方法論として、フェデレートラーニング(FL)が登場した。 そこで本稿では,ダウンリンクの帯域幅を削減し,タイムリーな更新を確実にするための効率的なFL手法を提案する。
  論文  参考訳（メタデータ） (2025-07-08T14:34:32Z)
• Gradient Boosting Decision Tree with LSTM for Investment Prediction [10.423142507018577]
  このフレームワークは、時系列財務データを処理し、7つのモデルを用いてパフォーマンスを評価する。 MAE、R-squared、MSE、RMSEといった主要なメトリクスは、異なる時間スケールでベンチマークを確立するために使用される。 実験の結果,提案手法は個々のモデルと比較して精度を10～15%向上することがわかった。
  論文  参考訳（メタデータ） (2025-05-29T04:38:41Z)
• Self-learning locally-optimal hypertuning using maximum entropy, and comparison of machine learning approaches for estimating fatigue life in composite materials [0.0]
  疲労損傷を予測するための最大エントロピーの原理に基づくML近傍近似アルゴリズムを開発した。 予測は、他のMLアルゴリズムと同様、高いレベルの精度を達成する。
  論文  参考訳（メタデータ） (2022-10-19T12:20:07Z)
• Conformer-based Hybrid ASR System for Switchboard Dataset [99.88988282353206]
  本稿では,競争力のあるコンバータベースハイブリッドモデルトレーニングレシピを提示し,評価する。 本研究は,単語誤り率の向上と学習速度向上のための異なる訓練側面と手法について検討する。 我々はSwitchboard 300hデータセットで実験を行い、コンバータベースのハイブリッドモデルは競争力のある結果を得る。
  論文  参考訳（メタデータ） (2021-11-05T12:03:18Z)
• Towards a Competitive End-to-End Speech Recognition for CHiME-6 Dinner Party Transcription [73.66530509749305]
  本稿では,難しい場合であっても,ハイブリッドベースラインに近い性能を示すエンドツーエンドアプローチについて論じる。 CTC-Attention と RNN-Transducer のアプローチと RNN と Transformer のアーキテクチャを比較し,解析する。 RNN-Transducerをベースとしたベストエンド・ツー・エンドモデルでは、ビームサーチの改善とともに、LF-MMI TDNN-F CHiME-6 Challengeのベースラインよりも品質が3.8%向上した。
  論文  参考訳（メタデータ） (2020-04-22T19:08:33Z)

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。