文献

J-GLOBAL ID：202202247831138087   整理番号：22A0977624

スパース変分Gauss過程に基づく日先確率的風力発電予測【JST・京大機械翻訳】

Sparse Variational Gaussian Process Based Day-Ahead Probabilistic Wind Power Forecasting

著者 (5件)： Wen Honglin (Department of Electrical Engineering, Shanghai Jiao Tong University, Shanghai, China) ,  Ma Jinghuan (Department of Electrical Engineering, Shanghai Jiao Tong University, Shanghai, China) ,  Gu Jie (Department of Electrical Engineering, Shanghai Jiao Tong University, Shanghai, China) ,  Yuan Lyuzerui (Department of Electrical Engineering, Shanghai Jiao Tong University, Shanghai, China) ,  Jin Zhijian (Department of Electrical Engineering, Shanghai Jiao Tong University, Shanghai, China)
資料名： IEEE Transactions on Sustainable Energy  (IEEE Transactions on Sustainable Energy)
巻： 13  号： 2  ページ： 957-970  発行年： 2022年 
JST資料番号： W2291A  ISSN： 1949-3029  CODEN： ITSEAJ  資料種別： 逐次刊行物 (A)
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,エピステリック不確実性の定量化と偶然の不確実性による確率的風力予測(PWPF)モデルを示した。具体的には,Gauss過程(GP)フレームワークによる全風力予測(WPF)マッピングによって構成された関数空間の統計特性によって,認識不確実性を記述した。特に,既存のGPベースPWPFモデルの性能を妨げる推論複雑性とハイパーパラメータ決定問題に取り組むために,スパース変分Gauss過程を採用した。誘導変数と変分推論を導入し,近似スパースGPモデルと元のGPの間の差を最小化し,変分分布を導入して誘導変数を明示的に表現した。すべてのパラメータを尤度最大化に基づく勾配降下最適化によって最適化した。公開データセットに基づく実験は,提案モデルが連続ランク確率スコアに関して最先端技術と同等であり,過剰適合に対してロバストであることを示した。Copyright 2022 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： 最適化 ,  *変分法 ,  決定問題 ,  不確実性 ,  最尤法 ,  *Gauss過程 ,  近似法 ,  モデル ,  *風力 ,  ロバスト性
準シソーラス用語： 複雑性 ,  *発電予測 ,  統計的特性 ,  ハイパーパラメータ ,  変分推論 , 【Automatic Indexing@JST】

分類 (1件)： 風力発電  (NB03120Q)

タイトルに関連する用語 (5件)： 変分 ,  Gauss過程 ,  確率 ,  風力発電 ,  予測