文献

J-GLOBAL ID：201602236929592639   整理番号：16A1383775

生風データにおける異常データの認識のための多様なモデルの2段階集合【Powered by NICT】

A two-stage ensemble of diverse models for recognition of abnormal data in raw wind data

著者 (8件)： Kaiyuan Hou (Northeast China Grid Company Limited, Shenyang 110181, China) ,  Deming Xia (Northeast China Grid Company Limited, Shenyang 110181, China) ,  Qun Li (Northeast China Grid Company Limited, Shenyang 110181, China) ,  Xingwei Xu (Northeast China Grid Company Limited, Shenyang 110181, China) ,  Han Yue (Northeast China Grid Company Limited, Shenyang 110181, China) ,  Kefei Wang (Northeast China Grid Company Limited, Shenyang 110181, China) ,  Lei Chen (Department of Electrical Engineering, Tsinghua University, Beijing 100084, China) ,  Le Zheng (Department of Electrical Engineering, Tsinghua University, Beijing 100084, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： APPEEC  ページ： 880-884  発行年： 2016年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 風力エネルギー統合研究は一般的に遠隔地に位置する複雑なセンサに依存している。大量の低レベルのデータを含むデータベースからの高レベル合成情報を生成する手順は,可能なセンサ故障と不完全な入力データを考慮しなければならない。データマイニング法は,ウィンドファーム出力と風速の間の関係,風力発電予測に重要なを認識するための広く使用されている。不正確なおよび非天然データは結果に大きな影響を及ぼす。この問題を解決するため,本論文は,多様なモデルの二段アンサンブルを用いた生風データを前処理と効果的にフィルタできることを経験的方法論を提示した。最初に,異常な特徴は生風データから抽出し,データセットは,ウィンドファーム運転状況記録と典型的な異常データの特性に応じてラベル付けされる。次に,ランダムフォレスト(RF)と勾配ブースティング決定木(GBDT)によって構築される二段階分類モデル。第一段階では,RF分級機は,入力として標識データセットを用いて訓練される。第二段階では,GBDT分類器を標識したデータセットを用いて訓練されるとRF分類を入力している結果を得た。最後に,試験セットは二訓練したモデルにより予測し,RFモデルとGBDTモデルの予測値の平均は,最終的な結果であると考えられる。方法論は,中国北東部の大規模ウインドファームから収集されたデータに試験に成功した。Copyright 2016 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： データベース ,  ウインドファーム ,  風力エネルギー ,  風速 ,  分級機 ,  風力発電 ,  センサ ,  ディシジョンツリー ,  データマイニング ,  *風 ,  前処理
準シソーラス用語： 分類モデル ,  ブースティング ,  ランダムフォレスト ,  センサ故障 , 【Automatic Indexing@JST】

分類 (3件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S) ,  信号理論  (ND02020G)

タイトルに関連する用語 (4件)： 風 ,  モデル ,  段階 ,  集合