文献

J-GLOBAL ID：202102211197763900   整理番号：21A0068851

非常に短期の風力予測に対する深層学習アンサンブルベースの新しいアプローチ【JST・京大機械翻訳】

Deep Learning Ensemble Based New Approach for Very Short-Term Wind Power Forecasting

著者 (4件)： Rosa de Jesus Dan A. (The University of Texas at El,Power and Renewable Energy Systems (PRES) Lab,Department of Electrical and Computer Engineering,Paso,USA,TX 79968) ,  Mandal Paras (The University of Texas at El,Power and Renewable Energy Systems (PRES) Lab,Department of Electrical and Computer Engineering,Paso,USA,TX 79968) ,  Wu Yuan-Kang (National Chung Cheng University,Department of Electrical Engineering,Chiayi,Taiwan,62102) ,  Senjyu Tomonobu (University of the Ryukyus,Department of Electrical and Electronics Engineering,Nishihara,Okinawa,Japan,9030213)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： PESGM  ページ： 1-5  発行年： 2020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： 本論文では,1h,3h,および6hのルックアヘッド期間について,非常に短期(10分間)の風力予測のための深層学習アンサンブルに基づく新しい予測手法を提案した。提案した深層学習アンサンブル手法は,4つの異なるアンサンブル,特にHDNN+CNN,HDNN+LSTM,CNN+LSTM,およびHDNN+CNN+LSTMの形成を伴う,Long Short-Termメモリ(LSTM),畳み込みニューラルネットワーク(CNN),ハイブリッド深層ニューラルネットワーク(HDNN)のような,いくつかの個人およびハイブリッド深層学習モデルを結合したものである。”その方法”は,4つの異なるアンサンブル(特にHDNN+CNN,HDNN+LSTM,CNN+LSTM,およびHDNN+CNN+LSTM)の形成を伴う。提案した手法は,最終風力予測を生成するために,アンサンブル平均化による主要な入力として風速の歴史的データを考慮する。提案したアンサンブル学習の主な利点は,それらが多重深層学習モデルからの予測の最良の利用と,個々の誤差を効果的に「キャンセルする」能力であり,最終的に最終予測精度の向上を助けることである。テキサスの実ウィンドファームから得られた実際のデータに関するシミュレーションは,他のソフトコンピューティングおよび個々の深層学習モデルと比較して,年間の多重季節に対して,非常に短期の風力予測精度をより高い程度に生産するために,提示したアプローチの有効性を実証した。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 予測技法 ,  記憶装置 ,  風速 ,  多重化 ,  *風力 ,  テキサス州 ,  有効性 ,  ウインドファーム
準シソーラス用語： アンサンブル学習 ,  予測精度 ,  ソフトコンピューティング ,  *深層学習 ,  ディープニューラルネットワーク ,  畳込みニューラルネットワーク ,  長短期記憶 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 短期 ,  風力 ,  予測 ,  深層学習 ,  アンサンブル