Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Home-Based Adaptive Collaborative System for Stroke Patient Rehabilitation Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

A Data-Driven Platform for Predicting the Position of Future Wind Turbines

verfasst von : Olivier Parisot

Erschienen in: Cooperative Design, Visualization, and Engineering

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Optimal location of wind turbines is a complex decision problem involving environmental, performance, societal and other parameter. This paper investigates the domain by describing WindturbinesPlanner: by providing machine learning models trained on various data sources, the platform can help to anticipate the potential location of future onshore wind turbines in Luxembourg, France, Belgium and Germany.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Integrated Evolution Model of Service Internet Based on an Improved Logistic Growth Model
Nächstes Kapitel Cooperative Designing of Machine Layout Using Teaching Learning Based Optimisation and Its Modifications
Fußnoten
Literatur
1.
2.
Chalapathy, R., Menon, A.K., Chawla, S.: Anomaly detection using one-class neural networks. arXiv preprint arXiv:​1802.​06360 (2018)
3.
Friedman, J.H.: Greedy function approximation: a gradient boosting machine. Ann. Stat. 29, 1189–1232 (2001)MathSciNetMATH
4.
Grady, S., Hussaini, M., Abdullah, M.M.: Placement of wind turbines using genetic algorithms. Renew. Energy 30(2), 259–270 (2005)
5.
Haixiang, G., Yijing, L., Shang, J., Mingyun, G., Yuanyue, H., Bing, G.: Learning from class-imbalanced data: review of methods and applications. Exp. Syst. Appl. 73, 220–239 (2017)
6.
Hevia-Koch, P., Ladenburg, J.: Where should wind energy be located? A review of preferences and visualisation approaches for wind turbine locations. Energy Res. Soc. Sci. 53, 23–33 (2019)
7.
Ladenburg, J., Hevia-Koch, P., Petrovic, S., Knapp, L.: The offshore-onshore conundrum: preferences for wind energy considering spatial data in Denmark. Renew. Sustain. Energy Rev. 121, 109711 (2020)
8.
Li, K.L., Huang, H.K., Tian, S.F., Xu, W.: Improving one-class SVM for anomaly detection. In: Proceedings of the 2003 International Conference on Machine Learning and Cybernetics (IEEE Cat. No. 03EX693), vol. 5, pp. 3077–3081. IEEE (2003)
9.
Miller, A., Li, R.: A geospatial approach for prioritizing wind farm development in Northeast Nebraska. ISPRS Int. J. Geo-inf. 3(3), 968–979 (2014)
10.
Mosetti, G., Poloni, C., Diviacco, B.: Optimization of wind turbine positioning in large windfarms by means of a genetic algorithm. J. Wind Eng. Ind. Aerodyn. 51(1), 105–116 (1994)
11.
12.
Yang, K., Kwak, G., Cho, K., Huh, J.: Wind farm layout optimization for wake effect uniformity. Energy 183, 983–995 (2019)
Metadaten
Titel
A Data-Driven Platform for Predicting the Position of Future Wind Turbines
verfasst von
Olivier Parisot
Copyright-Jahr
2020
Buch
Cooperative Design, Visualization, and Engineering

Print ISBN: 978-3-030-60815-6

Electronic ISBN: 978-3-030-60816-3

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-3-030-60816-3_15

Neuer Inhalt

    Bildnachweise