Machine Learning-Based Digital Twin for Predictive Modeling in Wind Turbines
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Wind turbines are one of the primary sources of renewable energy, which leads to a sustainable and efficient energy solution. It does not release any carbon emissions to pollute our planet. The wind farms monitoring and power generation prediction is a complex problem due to the unpredictability of wind speed. Consequently, it limits the decision power of the management team to plan the energy consumption in an effective way. Our proposed model solves this challenge by utilizing a 5G-Next Generation-Radio Access Network (5G-NG-RAN) assisted cloud-based digital twins’ framework to virtually monitor wind turbines and form a predictive model to forecast wind speed and predict the generated power. The developed model is based on Microsoft Azure digital twins infrastructure as a 5-dimensional digital twins platform. The predictive modeling is based on a deep learning approach, temporal convolution network (TCN) followed by a non-parametric k-nearest neighbor (kNN) regression. Predictive modeling has two components. First, it processes the univariate time series data of wind to predict its speed. Secondly, it estimates the power generation for each quarter of the year ranges from one week to a whole month (i.e., medium-term prediction) To evaluate the framework the experiments are performed on onshore wind turbines publicly available datasets. The obtained results confirm the applicability of the proposed framework. Furthermore, the comparative analysis with the existing classical prediction models shows that our designed approach obtained better results. The model can assist the management team to monitor the wind farms remotely as well as estimate the power generation in advance.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle