論文の概要: Predicting Wind Turbine Power Using Machine Learning and Weather Forecasts

• arxiv url: http://arxiv.org/abs/2609.06194v1
• Date: Sat, 05 Sep 2026 17:33:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.217669
• Title: Predicting Wind Turbine Power Using Machine Learning and Weather Forecasts
• Title（参考訳）: 機械学習と天気予報を用いた風力発電の予測
• Abstract要約: オフショア風力タービンは再生可能エネルギーの生成に広く用いられているが、その維持は強制的なシャットダウンによって効率が低下する可能性がある。 正確な風力タービンパワー予測は、メンテナンスのスケジューリングに最適な低出力の期間を特定することができる。 データボリューム、特徴選択、およびデータ前処理が、そのようなパワー予測モデルの性能に与える影響については、十分に研究されていない。
• 参考スコア（独自算出の注目度）: 0.2740273306918099
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Offshore wind turbines are widely used to generate renewable energy, but their maintenance can result in decreased efficiency due to forced shutdowns. Accurate wind turbine power predictions can identify periods of low power that would be ideal for scheduling maintenance. However, the effects of data volume, feature selection, and data preprocessing on the performance of such power prediction models have not been thoroughly studied. Besides, current models have limited transferability between different wind turbines. Therefore, this study developed a baseline Linear Regression for performance comparison with a more complex Artificial Neural Network model to predict the power output of a wind turbine, using weather conditions only to enhance applicability. A range of data preprocessing techniques were studied, and models were trained on one month and one year of data to determine the effects of data preprocessing and volume on model performance. Feature selection was explored using a Random Forest Regressor. The best results from the different models showed that the Artificial Neural Network models provided the highest accuracy, with an R2 score of 0.98 and a low Mean Absolute Error of 194, when compared with the baseline model (R2 score of 0.94 and Mean Absolute Error of 441). The model performance is comparable to the range of results in past studies, with the advantage that the proposed method leverages a separate weather dataset from a nearby weather station, enabling future applications for similar wind turbines in different locations. The Artificial Neural Network model was then used to identify 4-h periods of low power predictions over 2 months (simulating application for future periods), providing power output savings of approximately 2000 kW for each maintenance event.
• Abstract（参考訳）: オフショア風力タービンは再生可能エネルギーの生成に広く用いられているが、その維持は強制的なシャットダウンによって効率が低下する可能性がある。 正確な風力タービンパワー予測は、メンテナンスのスケジューリングに最適な低出力の期間を特定することができる。 しかし,データ量,特徴選択,データ前処理がこれらのパワー予測モデルの性能に与える影響については,十分に研究されていない。 また、現在のモデルでは、異なる風力タービン間の移動性が制限されている。 そこで本研究では,風力タービンの出力を予測するために,気象条件のみを用いて,より複雑なニューラルネットワークモデルと比較したベースライン線形回帰法を開発した。 各種データ前処理技術について検討し,データ前処理とボリュームがモデル性能に与える影響を判断するために,モデルが1ヶ月と1年のデータで訓練された。 ランダムフォレスト回帰器を用いて特徴選択を行った。 異なるモデルから得られた最良の結果は、ニューラルネットワークモデルが最も精度が高く、ベースラインモデルと比較すると、R2スコアは0.98、平均絶対誤差は194であった(R2スコアは0.94、平均絶対誤差は41)。 モデルの性能は過去の研究結果に匹敵するものであり、提案手法は近くの気象観測所から別個の気象データセットを利用しており、将来は同様の風力タービンを別の場所に応用できるという利点がある。 次に、Artificial Neural Networkモデルを用いて、2ヶ月にわたる低電力予測の4-h周期(将来の期間をシミュレーションする)を特定し、メンテナンスイベント毎に約2000kWの電力を節約した。

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)
• Probabilistic measures afford fair comparisons of AIWP and NWP model output [37.69303106863453]
  我々はAIWPモデルとNWPモデルからの単値出力の公平かつ有意義な比較のための新しい尺度を提案する。 我々はPCを,処理後の確率予測における平均連続的ランク付け確率スコア(CRPS)とみなす。 提案手法では,損失関数の事前特定が競合相手を不平等な足場に配置する設定において,単一値予測の比較を行う。
  論文  参考訳（メタデータ） (2025-06-04T09:14:45Z)
• 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)
• 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)
• Bias correction of wind power forecasts with SCADA data and continuous learning [0.0]
  我々は,4つの機械学習に基づく風力予測モデルを提示し,評価し,比較する。 本モデルは,65基の風力タービンからなるウィンドパークのデータセットを用いて評価した。
  論文  参考訳（メタデータ） (2024-02-21T16:31:45Z)
• Efficient Subseasonal Weather Forecast using Teleconnection-informed Transformers [29.33938664834226]
  季節的な予測は農業、水資源管理、災害の早期警戒に重要である。 機械学習の最近の進歩は、数値モデルに対する競争力のある予測能力を達成することで天気予報に革命をもたらした。 しかし、そのような基礎モデルのトレーニングには何千日ものGPU日が必要であるため、かなりの炭素排出量が発生する。
  論文  参考訳（メタデータ） (2024-01-31T14:27:35Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• 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)
• Modeling Wind Turbine Performance and Wake Interactions with Machine Learning [0.0]
  SCADAとオンショアウィンドファームで収集された気象データに基づいて異なる機械学習モデル(ML)を訓練する。 データ品質制御と事前処理のためのML手法を調査対象のデータセットに適用する。 風力タービンのパワーキャプチャーをモデル化するために,ハイブリッドモデルが高精度であることがわかった。
  論文  参考訳（メタデータ） (2022-12-02T23:07:05Z)
• 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)
• Measuring Wind Turbine Health Using Drifting Concepts [55.87342698167776]
  風力タービンの健全性解析のための2つの新しい手法を提案する。 第1の方法は、比較的高低電力生産の減少または増加を評価することを目的とする。 第2の方法は抽出された概念の全体的ドリフトを評価する。
  論文  参考訳（メタデータ） (2021-12-09T14:04:55Z)
• Wind Power Projection using Weather Forecasts by Novel Deep Neural Networks [0.0]
  最適化された機械学習アルゴリズムを用いることで、観測結果に隠れたパターンを見つけ、意味のあるデータを得ることができる。 電力曲線を用いた風力予測におけるパラメトリックモデルと非パラメトリックモデルの利用について検討した。
  論文  参考訳（メタデータ） (2021-08-22T17:46:36Z)

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。