論文の概要: A multi-stage probabilistic framework to estimate gas-fired generator performance during extreme winter weather

• arxiv url: http://arxiv.org/abs/2610.04368v1
• Date: Sat, 03 Oct 2026 08:07:33 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-06 21:43:19.216269
• Title: A multi-stage probabilistic framework to estimate gas-fired generator performance during extreme winter weather
• Title（参考訳）: 極寒時のガス火力発電性能を推定するための多段階確率的枠組み
• Abstract要約: 冬駆動発電機の性能を推定するための3段階ベイズ確率論フレームワークを開発した。 このフレームワークは、ニューヨーク州立大学(2013-2022)に適用され、ジェネレータの緊急イベントの時間的確率を推定する。 停電期間は12.7時間であり、半減期は2.4時間から7.1時間まで増加し、容量損失は深刻である。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Extreme winter weather has repeatedly disrupted gas-fired power generation in the United States, yet the plant-level data needed to systematically quantify outage risk remain proprietary. Using publicly available weather and electricity demand data together with anonymized generator contingency records from the North American Electric Reliability Corporation (NERC), we develop a three-stage Bayesian probabilistic framework for estimating winter-driven generator performance. Applied to New York State (2013--2022), the framework sequentially estimates: the hourly probability of a generator contingency event, the expected net available capacity conditioned on an event occurring, and the event duration. Colder conditions and higher electricity demand are associated with higher failure probability, lower retained capacity, and longer event duration. Under the most severe observed stress conditions, estimated mean hourly event probability reaches 24\% , while expected mean net available capacity falls to 13\% of nameplate rating. Full outage events have a median duration of 12.7 hours, while partial derating event duration increases from 2.4 to 7.1 hours with capacity loss severity. The proposed framework establishes a transferable baseline that utilities with access to plant-level records can directly extend to obtain more precise reliability estimates for operational planning and resource adequacy assessment.
• Abstract（参考訳）: 極端に冬の気候は、米国でのガス火力発電を何度も破壊してきたが、停電リスクを体系的に定量化するために必要なプラントレベルのデータは、プロプライエタリのままである。 北米電気信頼性協会 (NERC) の匿名発電記録と合わせて, 気象・電力需要データを用いて, 冬期発電性能を推定するための3段階ベイズ確率的枠組みを構築した。 ニューヨーク州立大学(2013年-2022年)に適用されるこのフレームワークは、ジェネレータの待ち時間イベントの時間的確率、イベント発生時に条件付きで利用可能なネット容量、イベント期間を逐次見積もっている。 コールドコンディションと高い電気需要は、より高い故障確率、低い維持能力、より長いイベント持続時間に関係している。 最も厳密なストレス条件下では、推定時間平均イベント確率は24\%に達し、予測平均ネット容量は13\%まで低下する。 停電期間は12.7時間であり、半減期は2.4時間から7.1時間まで増加し、容量損失は深刻である。 提案フレームワークは,プラントレベルのレコードにアクセス可能なユーティリティを直接拡張して,運用計画および資源充実度評価のためのより正確な信頼性評価を得るための,転送可能なベースラインを確立する。

関連論文リスト

• Long-Term Operational Planning Using Scenario-Based System Load Forecasting [0.0]
  ハイパースケールデータセンターは北バージニアの電力需要を増大させている。 ドミニオン・エナジーはこの成長を支えるために送電網を強化する必要がある。 長期の停止研究は、月毎または季節毎のピーク負荷の仮定を用いて、日毎の実施が一般的である。 本稿では,現実的なマルチグラニュラ負荷予測を長期的障害評価に組み込むことの運用価値を評価する。
  論文  参考訳（メタデータ） (2026-09-28T02:21:54Z)
• Probabilistic electrical power demand forecasting with uncertainty quantification [0.0]
  本研究は, 電力消費に関する4つの現代確率予測モデルを実証的に比較した。 実世界の電力システム関連データセットの比較を行った。
  論文  参考訳（メタデータ） (2026-09-28T01:58:57Z)
• Any-Quantile Probabilistic Forecasting of Short-Term Electricity Demand [8.068451210598678]
  電力システムは、決定論的に説明できない複数の要因から生じる不確実性の下で運用される。 ディープラーニングの最近の進歩は、ポイント予測の精度を大幅に向上させるのに役立っている。 任意の量子を予測できる分布予測のための新しい一般手法を提案する。
  論文  参考訳（メタデータ） (2024-04-26T14:43:19Z)
• Deep Learning-Based Weather-Related Power Outage Prediction with Socio-Economic and Power Infrastructure Data [4.4121133971424165]
  本稿では,企業サービス領域を含むセンサストラクタにおける時間ごとの停電確率予測のためのディープラーニングに基づくアプローチを提案する。 2つの異なる深層学習モデル、条件付きマルチ層パーセプトロン(MLP)と非条件付きモデルを開発し、停電確率を予測した。 以上の結果から,センサスレベルでの停電予測の精度を高める上で,社会経済的要因の重要性が示唆された。
  論文  参考訳（メタデータ） (2024-04-03T23:38:31Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• The impact of online machine-learning methods on long-term investment decisions and generator utilization in electricity markets [69.68068088508505]
  電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。 最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。 また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
  論文  参考訳（メタデータ） (2021-03-07T11:28:54Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。