文献

J-GLOBAL ID：201602254188047406   整理番号：16A1285344

地域太陽光発電予測のための機械学習アプローチ【Powered by NICT】

A machine-learning approach for regional photovoltaic power forecasting

著者 (7件)： Yuan Li (Sichuan University, Chengdu, Sichuan 610065, China) ,  Sun Qian (Northeastern University, Boston, MA 02115, USA) ,  Lehman Brad (Northeastern University, Boston, MA 02115, USA) ,  Lu Siyuan (IBM TJ Watson Research Center, Yorktown Heights, NY 10598, USA) ,  Hamann Hendrik F. (IBM TJ Watson Research Center, Yorktown Heights, NY 10598, USA) ,  Simmons Joseph (University of Arizona, Tucson, 85721, USA) ,  Black Jon (ISO New England, Holyoke, MA 01040, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： PESGM  ページ： 1-5  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： この報文は,時間毎分解能を2日までの地域太陽電池(PV)電力予測のための機械学習アプローチを提案した。物理的PV電力モデルである地理的クラスタが凝集し,次に全ISO負荷帯の合計。数値天気予報(NWP)予測はパラメータ,放射照度,温度,気圧,および風速のような,アレイ(POA)放射照度とPV出力の面を計算するための入力として使用したを提供した。機械学習アプローチを開発した。計算パワーのためのバイアス補正を,線形回帰法を用いて行った。この手順の間に,重要なパラメータに応じて分類は微細な近似を得るために採用した。最適混合係数を用いて,様々なNWP法後の補正結果の適応混合物は,インテリジェントで適応性のある出力PV予測を得るために導入した。マサチューセッツ南東部(SEMA)負荷帯の2015年1月24日に2014年6月12日からの事例研究を行った。正規化二乗平均誤差(NRMSE)は,一日前予測期間で5.28%,最良の個別モデルを用いたベースラインと比較して30.6%減少である。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： 放射照度 ,  *機械学習 ,  正規化 ,  風速 ,  分解能 ,  適応性 ,  基準線 ,  太陽電池 ,  マサチューセッツ州 ,  数値予報 ,  *太陽光発電 ,  電力 ,  事例研究
準シソーラス用語： 線形回帰 ,  バイアス補正 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 地域 ,  太陽光発電 ,  予測 ,  機械学習