論文の概要: Short-Term Load Forecasting Using AMI Data
- arxiv url: http://arxiv.org/abs/1912.12479v5
- Date: Mon, 16 May 2022 16:04:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-17 12:44:30.919574
- Title: Short-Term Load Forecasting Using AMI Data
- Title(参考訳): AMIデータを用いた短期負荷予測
- Authors: Haris Mansoor, Sarwan Ali, Imdadullah Khan, Naveed Arshad, Muhammad
Asad Khan, Safiullah Faizullah
- Abstract要約: 本稿では,短期負荷予測(textscstlf)のためのMatrix Factorization(textscfmf)を用いた予測手法を提案する。
textscfmfは 消費者のスマートメーターの 履歴データしか利用していない 将来の負荷を予測するために
我々は3つのベンチマークデータセット上でtextscfmf を実験的に評価し、負荷予測の観点から最先端の手法を著しく上回っていることを示す。
- 参考スコア(独自算出の注目度): 0.19573380763700707
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate short-term load forecasting is essential for the efficient operation
of the power sector. Forecasting load at a fine granularity such as hourly
loads of individual households is challenging due to higher volatility and
inherent stochasticity. At the aggregate levels, such as monthly load at a
grid, the uncertainties and fluctuations are averaged out; hence predicting
load is more straightforward. This paper proposes a method called Forecasting
using Matrix Factorization (\textsc{fmf}) for short-term load forecasting
(\textsc{stlf}). \textsc{fmf} only utilizes historical data from consumers'
smart meters to forecast future loads (does not use any non-calendar
attributes, consumers' demographics or activity patterns information, etc.) and
can be applied to any locality. A prominent feature of \textsc{fmf} is that it
works at any level of user-specified granularity, both in the temporal (from a
single hour to days) and spatial dimensions (a single household to groups of
consumers). We empirically evaluate \textsc{fmf} on three benchmark datasets
and demonstrate that it significantly outperforms the state-of-the-art methods
in terms of load forecasting. The computational complexity of \textsc{fmf} is
also substantially less than known methods for \textsc{stlf} such as long
short-term memory neural networks, random forest, support vector machines, and
regression trees.
- Abstract(参考訳): 電力セクターの効率的な運用には、正確な短期負荷予測が不可欠である。
個人世帯の時給負荷のような細粒度での予測負荷は、高いボラティリティと固有の確率性のために困難である。
グリッドでの月次負荷などの集約レベルでは、不確実性と変動が平均化されるため、負荷の予測がより簡単になる。
本稿では,短期負荷予測のための行列因子化(\textsc{fmf})を用いた予測手法を提案する。
\textsc{fmf} は、将来の負荷を予測するために消費者のスマートメータからの履歴データのみを使用し(非カレンダー属性、消費者の人口統計、行動パターン情報などを使用しない)、任意の地域に適用することができる。
textsc{fmf} の特徴は、時間的(1時間から1日まで)と空間的(単一の世帯から消費者のグループまで)の両方において、任意のレベルのユーザ特定粒度で動作することである。
実験により,3つのベンチマークデータセット上でのtextsc{fmf} の評価を行い,負荷予測において最先端の手法を著しく上回っていることを示す。
textsc{fmf} の計算の複雑さは、長い短期記憶ニューラルネットワーク、ランダムフォレスト、サポートベクターマシン、回帰木といった、textsc{stlf} の既知の方法よりもかなり小さい。
関連論文リスト
- Towards Data-Efficient Pretraining for Atomic Property Prediction [51.660835328611626]
タスク関連データセットでの事前トレーニングは、大規模な事前トレーニングと一致するか、あるいは超える可能性があることを示す。
本稿では,コンピュータビジョンのFr'echet Inception Distanceにインスパイアされた,化学類似度指数(CSI)を紹介する。
論文 参考訳(メタデータ) (2025-02-16T11:46:23Z) - Value-Based Deep RL Scales Predictably [100.21834069400023]
本研究は, 地域社会が病的行動に不安を抱いているにもかかわらず, 価値に基づく非政治的RL法が予測可能であることを示す。
SAC、BRO、PQLの3つのアルゴリズムを使って、DeepMind Control、OpenAI gym、IsaacGymの3つのアプローチを検証する。
論文 参考訳(メタデータ) (2025-02-06T18:59:47Z) - F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。
タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。
従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
論文 参考訳(メタデータ) (2024-06-23T21:28:50Z) - Few-Shot Load Forecasting Under Data Scarcity in Smart Grids: A Meta-Learning Approach [0.18641315013048293]
本稿では,短期負荷予測のためのモデルに依存しないメタ学習アルゴリズムを提案する。
提案手法は,任意の長さの未知の負荷時間列に迅速に適応し,一般化することができる。
提案手法は,実世界の消費者の歴史的負荷消費データのデータセットを用いて評価する。
論文 参考訳(メタデータ) (2024-06-09T18:59:08Z) - Predicting Temporal Aspects of Movement for Predictive Replication in
Fog Environments [0.0]
ブラインドまたはリアクティブデータは、フォグコンピューティングのポテンシャルを利用するには不十分である。
時間的予測のためのHolt-Winterの指数平滑化を用いた新しいモデルを提案する。
実際のユーザトラジェクトリによるフォグネットワークシミュレーションでは,データ利用率を1%に抑えながら,余剰データの15%削減を実現している。
論文 参考訳(メタデータ) (2023-06-01T11:45:13Z) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳(メタデータ) (2023-04-17T10:59:57Z) - Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。
時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。
我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。
提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
論文 参考訳(メタデータ) (2022-10-02T06:58:49Z) - Clustering Enabled Few-Shot Load Forecasting [2.0810096547938164]
エネルギー消費のわずかなショット(データポイント)を観察することで,新規利用者の負荷予測を考察する。
限られたサンプルが時間特性を利用するには不十分であるため、この作業は困難である。
本稿では,既存ユーザの履歴負荷プロファイルデータを有効クラスタリングに利用することを提案する。
論文 参考訳(メタデータ) (2022-02-16T09:09:09Z) - Appliance Level Short-term Load Forecasting via Recurrent Neural Network [6.351541960369854]
本稿では,各家電の消費電力を効率よく予測するSTLFアルゴリズムを提案する。
提案手法は、ディープラーニングにおける強力なリカレントニューラルネットワーク(RNN)アーキテクチャに基づいている。
論文 参考訳(メタデータ) (2021-11-23T16:56:37Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳(メタデータ) (2021-07-05T12:44:39Z) - A Predictive Autoscaler for Elastic Batch Jobs [8.354712625979776]
Deep Learning、HPC、Sparkといった大規模なバッチジョブは、従来のオンラインサービスよりもはるかに多くの計算リソースとコストを必要とします。
顧客とオーバプロビジョンインスタンスに対して,柔軟なインターフェースを提供するための予測オートスケーラを提案する。
論文 参考訳(メタデータ) (2020-10-10T17:35:55Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。