論文の概要: Short-Term Forecasting of CO2 Emission Intensity in Power Grids by
Machine Learning
- arxiv url: http://arxiv.org/abs/2003.05740v1
- Date: Tue, 10 Mar 2020 16:34:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-24 20:53:13.176314
- Title: Short-Term Forecasting of CO2 Emission Intensity in Power Grids by
Machine Learning
- Title(参考訳): 機械学習による電力グリッド内のCO2排出強度の短期予測
- Authors: Kenneth Leerbeck and Peder Bacher and Rune Junker and Goran
Goranovi\'c and Olivier Corradi and Razgar Ebrahimy and Anna Tveit and Henrik
Madsen
- Abstract要約: デンマークの入札ゾーンDK2における電力グリッドのCO2排出強度を予測する機械学習アルゴリズムを開発した。
この分析は、電力生産、需要、輸入、気象条件など、多くの説明変数からなるデータセット上で行われた。
- 参考スコア(独自算出の注目度): 1.055404869921767
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A machine learning algorithm is developed to forecast the CO2 emission
intensities in electrical power grids in the Danish bidding zone DK2,
distinguishing between average and marginal emissions. The analysis was done on
data set comprised of a large number (473) of explanatory variables such as
power production, demand, import, weather conditions etc. collected from
selected neighboring zones. The number was reduced to less than 50 using both
LASSO (a penalized linear regression analysis) and a forward feature selection
algorithm. Three linear regression models that capture different aspects of the
data (non-linearities and coupling of variables etc.) were created and combined
into a final model using Softmax weighted average. Cross-validation is
performed for debiasing and autoregressive moving average model (ARIMA)
implemented to correct the residuals, making the final model the variant with
exogenous inputs (ARIMAX). The forecasts with the corresponding uncertainties
are given for two time horizons, below and above six hours. Marginal emissions
came up independent of any conditions in the DK2 zone, suggesting that the
marginal generators are located in the neighbouring zones.
The developed methodology can be applied to any bidding zone in the European
electricity network without requiring detailed knowledge about the zone.
- Abstract(参考訳): デンマークの入札ゾーンDK2における電力グリッドのCO2排出強度を予測し、平均と限界の排出量を区別する機械学習アルゴリズムを開発した。
この分析は、電力生産、需要、輸入、気象条件など、選択された近隣地域から収集された膨大な数(473)の説明変数からなるデータセット上で行われた。
この数は、lasso (penalized linear regression analysis) と前方特徴選択アルゴリズムの両方を用いて50未満に削減された。
データの異なる側面(非線形性や変数の結合など)を捉えた3つの線形回帰モデルを作成し,ソフトマックス重み付き平均を用いて最終モデルに組み合わせた。
残差を補正するために実装された脱バイアスおよび自己回帰移動平均モデル(ARIMA)に対してクロスバリデーションを行い、最終モデルは外因性入力(ARIMAX)を持つ変種とする。
対応する不確実性の予測は6時間以下と2つの時間軸で与えられる。
限界放射はdk2ゾーンのあらゆる条件とは独立に発生し、限界発生器は近隣のゾーンにあることを示唆している。
開発手法は欧州電力網の入札ゾーンに適用でき、このゾーンに関する詳細な知識を必要とせずに適用できる。
関連論文リスト
- Towards Robust and Efficient Cloud-Edge Elastic Model Adaptation via
Selective Entropy Distillation [60.17626806243389]
Cloud-Edge Elastic Model Adaptation (CEMA)パラダイムを確立し、エッジモデルが前方伝播のみを実行するようにします。
CEMAでは,通信負担を軽減するため,不要なサンプルをクラウドにアップロードすることを避けるための2つの基準を考案した。
論文 参考訳(メタデータ) (2024-02-27T08:47:19Z) - Mid-Long Term Daily Electricity Consumption Forecasting Based on
Piecewise Linear Regression and Dilated Causal CNN [9.921863154466608]
既存の予測アルゴリズムは、休日のような特別な日付で精度を低下させる傾向にある。
本研究は, 日常の電力消費を, 傾向, 季節, 残留の3つの構成要素に分解する。
実験により,本手法は既存手法と比較して精度が高いことを示した。
論文 参考訳(メタデータ) (2023-10-23T10:22:38Z) - Dealing with zero-inflated data: achieving SOTA with a two-fold machine
learning approach [0.18846515534317262]
本稿では,ゼロインフレーションデータに適用した階層モデルを用いて,実世界の2つのユースケース(ホームアプライアンス分類と空港シャトル需要予測)について述べる。
提案手法は, 比較したSOTA手法の4倍のエネルギー効率が期待できる。
論文 参考訳(メタデータ) (2023-10-12T07:26:41Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - Complexity Matters: Rethinking the Latent Space for Generative Modeling [65.64763873078114]
生成的モデリングにおいて、多くの成功したアプローチは、例えば安定拡散のような低次元の潜在空間を利用する。
本研究では, モデル複雑性の観点から潜在空間を再考することにより, 未探索の話題に光を当てることを目的としている。
論文 参考訳(メタデータ) (2023-07-17T07:12:29Z) - Bivariate DeepKriging for Large-scale Spatial Interpolation of Wind
Fields [2.494500339152185]
高空間分解能風速データは、気候、海洋学、気象学研究における幅広い応用に不可欠である。
2次元の速度を持つ二変量風場の大規模空間計算やダウンスケーリングは難しい課題である。
本稿では,空間的ラジアル基底関数によって構築された埋め込み層を持つ空間依存型ディープニューラルネットワーク(DNN)であるバイバリケートディープクリギングを提案する。
提案したDNNモデルの計算効率とスケーラビリティを,従来の手法に比べて平均20倍高速な計算で実証する。
論文 参考訳(メタデータ) (2023-07-16T13:34:44Z) - Information Entropy Initialized Concrete Autoencoder for Optimal Sensor
Placement and Reconstruction of Geophysical Fields [58.720142291102135]
そこで本稿では,スパーク計測による地場再構成のためのセンサ配置の最適化について提案する。
本研究では, (a) 温度と (b) バレンツ海周辺の塩分濃度場とスバルバルド諸島群を例に示す。
得られた最適センサ位置は, 物理的解釈が明確であり, 海流の境界に対応することが判明した。
論文 参考訳(メタデータ) (2022-06-28T12:43:38Z) - Model-Agnostic Hybrid Numerical Weather Prediction and Machine Learning
Paradigm for Solar Forecasting in the Tropics [0.0]
数値天気予報(NWP)と機械学習(ML)の手法は、太陽の予測に人気がある。
しかし、NWPモデルは複数の物理パラメータ化が可能であり、サイト固有のNWP最適化が必要である。
地域NWPモデルが、パラメータ化の可能なグローバル気候モデルで使用される場合、これはさらに複雑である。
本研究では, 4つの放射線モデルに対して, 代替手法を提案し, 評価した。
論文 参考訳(メタデータ) (2021-12-09T14:49:02Z) - Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。
そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。
6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
論文 参考訳(メタデータ) (2020-09-07T13:01:45Z) - Statistical Downscaling of Temperature Distributions from the Synoptic
Scale to the Mesoscale Using Deep Convolutional Neural Networks [0.0]
有望な応用の1つは、低分解能ダイナミックモデルの出力画像を高分解能画像に変換する統計的代理モデルを開発することである。
本研究では,6時間毎に合成温度場をメソスケール温度場にダウンスケールする代理モデルについて検討した。
代理モデルが短時間で実施されれば、高解像度の天気予報ガイダンスや環境緊急警報を低コストで提供する。
論文 参考訳(メタデータ) (2020-07-20T06:24:08Z)
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。