文献

J-GLOBAL ID：201902212380769810   整理番号：19A1287819

カーネル平均p-パワー誤差損失を持つ極端学習機械に基づく風力予測【JST・京大機械翻訳】

Wind Power Prediction Based on Extreme Learning Machine with Kernel Mean p-Power Error Loss

著者 (4件)： Li Ning (School of Automation and Information Engineering, Xi’an University of Technology, Xi’an 710048, China) ,  Li Ning (State Key Laboratory of Electrical Insulation and Power Equipment, Xi’an Jiaotong University, Xi’an 710048, China) ,  He Fuxing (School of Automation and Information Engineering, Xi’an University of Technology, Xi’an 710048, China) ,  Ma Wentao (School of Automation and Information Engineering, Xi’an University of Technology, Xi’an 710048, China)
資料名： Energies (Web)  (Energies (Web))
巻： 12  号： 4  ページ： 673  発行年： 2019年 
JST資料番号： U7016A  ISSN： 1996-1073  CODEN： ENERGA  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 近年,一種のクリーンで再生可能なエネルギーとして世界中の風力エネルギーにますます多くの注意が払われている。風力発電と気象,予測不可能性,システム運転のリスクなどの自然要因の影響に関する疑問により,風力発電は従来の発電よりも信頼性が低いと思われる。風力発電の正確で信頼できる予測により,風力発電の変化に従ってスケジューリング計画を適切に調整し,電力品質を確保し,系統の待機容量を低減し,電力系統の運転コストを低減し,電力系統安定性と発電適性を改善する。従来の逆伝搬(BP)ニューラルネットワークは,多数のパラメータの手動設定を必要とし,極値学習機械(ELM)アルゴリズムは時間複雑性を単純化し,パラメータの手動設定を必要としないが,非線形および非Gaussデータを扱う場合,二次統計に基づくELMの損失関数は最良の解ではない。上記の問題のために,本論文は,カーネル平均p-パワー誤差損失によるELMに基づく新規風力予測方法を提案して,それは従来のBPニューラルネットワークと比較してより低い予測誤差を達成することができた。さらに,大量のデータによって引き起こされた計算問題を減少させるために,主成分分析(PCA)を採用して,いくつかの冗長データ成分を除去し,最終的に,効率を精度の損失なしで改善した。実データを用いた実験を行い,提案した方法の性能を検証した。Copyright 2019 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 簡素化 ,  予測誤差 ,  *予測 ,  *学習機械 ,  電力系統 ,  予測技法 ,  アルゴリズム ,  風力発電 ,  ニューラルネットワーク ,  系統運用 ,  スケジューリング ,  主成分分析 ,  *風力 ,  発電
準シソーラス用語： 複雑性 , 【Automatic Indexing@JST】

著者キーワード (4件)： 風力予測 ,  極端学習機械 ,  カーネル平均p-パワー誤差 ,  主成分分析

分類 (2件)： 風力発電  (NB03120Q) ,  電力系統一般  (NB02000E)

引用文献 (49件)：

• Kusiak, A.; Zheng, H.; Zhe, S. Short-Term Prediction of Wind Farm Power: A Data Mining Approach. IEEE Trans. Power Appar. Syst. 2009, 24, 125-136.
• [Green Version] Ding, Y.Y.; Zhou, H.; Tan, Z.; Chen, Y.; Ding, J. The influence of wind direction on short-term wind power prediction: A case study in north China. In Proceedings of the IEEE PES Innovative Smart Grid Technologies, Tianjin, China, 21-24 May 2012; pp. 1-5.
• Huo, Y.; Jiang, P.; Zhu, Y.; Feng, S.; Wu, X. Optimal Real-Time Scheduling of Wind Integrated Power System Presented with Storage and Wind Forecast Uncertainties. Energies 2015, 8, 1080-1100.
• [Green Version] Cruz, M.; Fitiwi, D.; Santos, S.; Mariano, S.; Catalão, J. Prospects of a Meshed Electrical Distribution System Featuring Large-Scale Variable Renewable Power. Energies 2018, 11, 3399.
• Li, C.P.; Zhang, S.N.; Zhang, J.X.; Qi, J.; Li, J.; Guo, Q.; You, H. Method for the Energy Storage Configuration of Wind Power Plants with Energy Storage Systems used for Black-Start. Energies 2018, 11, 3394.

タイトルに関連する用語 (8件)： カーネル ,  平均 ,  パワー ,  誤差 ,  損失 ,  極端学習機械 ,  風力 ,  予測