文献

J-GLOBAL ID：202002270621981442   整理番号：20A0274046

マルチビューとマルチスケール転送学習に基づくウインドファーム等価法【JST・京大機械翻訳】

A multi-view and multi-scale transfer learning based wind farm equivalent method

著者 (5件)： Han Ji (State Key Laboratory of Advanced Electromagnetic Engineering and Technology, Hubei Electric Power Security and High Efficiency Key Laboratory, School of Electrical and Electronic Engineering, Huazhong University of Science and Technology (HUST), Wuhan, China) ,  Miao Shihong (State Key Laboratory of Advanced Electromagnetic Engineering and Technology, Hubei Electric Power Security and High Efficiency Key Laboratory, School of Electrical and Electronic Engineering, Huazhong University of Science and Technology (HUST), Wuhan, China) ,  Li Yaowang (State Key Laboratory of Advanced Electromagnetic Engineering and Technology, Hubei Electric Power Security and High Efficiency Key Laboratory, School of Electrical and Electronic Engineering, Huazhong University of Science and Technology (HUST), Wuhan, China) ,  Yang Weichen (State Key Laboratory of Advanced Electromagnetic Engineering and Technology, Hubei Electric Power Security and High Efficiency Key Laboratory, School of Electrical and Electronic Engineering, Huazhong University of Science and Technology (HUST), Wuhan, China) ,  Zheng Tingting (State Grid East Inner Mongolia Electric Power Company Limited Electric Power Research Institute, Hohhot, China)
資料名： International Journal of Electrical Power & Energy Systems  (International Journal of Electrical Power & Energy Systems)
巻： 117  ページ： Null  発行年： 2020年 
JST資料番号： A0596B  ISSN： 0142-0615  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 風力発電所(WF)の増加する能力によって,詳細なWFモデルは電力系統研究のために適切でなくて,必要な正確さレベルによるWFの等価性は,複雑な技術的挑戦を引き起こした。本論文では,マルチビューとマルチスケールの移動学習に基づくWF等価法を提案した。この方法では3段階を取る。(a)洗練された複合マルチスケールエントロピー(RCMSE)を用いた風力タービン(WT)の活性および無効電力からの特徴を,これに基づいて,視点とスケール2つの観点を考慮してクラスタ化指標を構築する。(b)クラスタリング指標の特徴において,マルチビューとマルチスケールファジィC-平均(VS-FCM)クラスタリングアルゴリズムを提案して,移動学習をより良いWTクラスタ性能のためにそれにおいて使用した。(C)移動Q学習を採用して,各等価WTに対するコレクタネットワークのパラメータを最適化し,パラメータ最適化効率を改善した。提案した方法の有効性を検証するために,中国の東内モンゴルにおける実際のシステムを事例研究に利用した。シミュレーション結果は,提案したモデルの動的特性とロバスト性が異なる風シナリオと電圧サグレベルにおいて良い挙動を実行することを示して,その上,方法はシミュレーション時間とパラメータ最適化の効率において利点を持った。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： クラスタ化 ,  電力系統 ,  有効性 ,  *学習 ,  風 ,  クラスタ ,  事例研究 ,  風力発電所 ,  シミュレーション ,  無効電力 ,  最適化 ,  *ウインドファーム ,  風車 ,  ネットワーク ,  ロバスト性

著者キーワード (5件)： ウインドファームの等価性 ,  伝達学習 ,  マルチビューとマルチスケールファジィc平均(VS-FCM)クラスタリング ,  洗練された複合マルチスケールエントロピー(RCCSE) ,  Q学習

分類 (1件)： 電力系統一般  (NB02000E)

タイトルに関連する用語 (6件)： マルチビュー ,  マルチスケール ,  転送 ,  学習 ,  ウインドファーム ,  等価