論文の概要: N-BEATS neural network for mid-term electricity load forecasting

• arxiv url: http://arxiv.org/abs/2009.11961v3
• Date: Fri, 2 Apr 2021 18:02:22 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-15 05:15:09.979863
• Title: N-BEATS neural network for mid-term electricity load forecasting
• Title（参考訳）: 中期電力負荷予測のためのN-BEATSニューラルネットワーク
• Authors: Boris N. Oreshkin and Grzegorz Dudek and Pawe{\l} Pe{\l}ka and Ekaterina Turkina
• Abstract要約: 提案手法は,中期電力負荷予測問題の解決に有効であることを示す。 実装と訓練は簡単で、信号前処理は不要であり、予測バイアス低減機構を備えている。 実験的な研究によると、提案されたニューラルネットワークは、正確性と予測バイアスの両方の観点から、すべての競合より明らかに優れています。
• 参考スコア（独自算出の注目度）: 8.430502131775722
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper addresses the mid-term electricity load forecasting problem. Solving this problem is necessary for power system operation and planning as well as for negotiating forward contracts in deregulated energy markets. We show that our proposed deep neural network modeling approach based on the deep neural architecture is effective at solving the mid-term electricity load forecasting problem. Proposed neural network has high expressive power to solve non-linear stochastic forecasting problems with time series including trends, seasonality and significant random fluctuations. At the same time, it is simple to implement and train, it does not require signal preprocessing, and it is equipped with a forecast bias reduction mechanism. We compare our approach against ten baseline methods, including classical statistical methods, machine learning and hybrid approaches, on 35 monthly electricity demand time series for European countries. The empirical study shows that proposed neural network clearly outperforms all competitors in terms of both accuracy and forecast bias. Code is available here: https://github.com/boreshkinai/nbeats-midterm.
• Abstract（参考訳）: 本稿では,中期電力負荷予測問題に対処する。 この問題の解決は、電力系統の運用と計画、および非規制エネルギー市場の先進契約交渉に必要である。 本研究では,深層ニューラルネットワークアーキテクチャに基づく深層ニューラルネットワークモデリング手法が,中間電力負荷予測問題を解決する上で有効であることを示す。 提案するニューラルネットワークは、トレンド、季節性、有意なランダム変動を含む時系列による非線形確率予測問題を解くための表現力が高い。 同時に、実装や訓練は簡単であり、信号前処理は不要であり、予測バイアス低減機構を備えている。 我々は,従来の統計手法,機械学習,ハイブリッド手法を含む10の基準手法に対して,欧州各国の月次電力需要時系列を35回比較した。 実験の結果、ニューラルネットワークは、精度と予測バイアスの両方において、すべての競争相手を明らかに上回っていることが示された。 コードは、https://github.com/boreshkinai/nbeats-midterm.comで入手できる。

関連論文リスト

• Short-Term Electricity Demand Forecasting of Dhaka City Using CNN with Stacked BiLSTM [0.471858286267785]
  本稿では,ダッカ市の電力需要を短時間で正確に予測するために,畳み込みニューラルネットワーク(CNN)と積み重ねた双方向長短項メモリ(BiLSTM)アーキテクチャのハイブリッドモデルを提案する。 提案手法は,MAPE 1.64%,MSE 0.015,RMSE 0.122,MAE 0.092の他のベンチマークモデルと比較して,最高の予測結果を得た。
  論文  参考訳（メタデータ） (2024-06-10T09:02:07Z)
• Stock Price Prediction using Dynamic Neural Networks [0.0]
  本稿では,日替わりの株価を予測するための時系列動的ニューラルネットワークの解析と実装について述べる。 ニューラルネットワークは、カオス的、非線形、そして一見ランダムなデータの基本パターンを識別する非通過能力を持っている。
  論文  参考訳（メタデータ） (2023-06-18T20:06:44Z)
• Distributional neural networks for electricity price forecasting [0.0]
  確率的電力価格予測(EPF)に対する新しいアプローチを提案する。 EPFのための新しいネットワーク構造は、正規化分布多層パーセプトロン(DMLP)に基づいている このフレームワークを使用すると、ニューラルネットワークの出力は正規あるいは潜在的に歪んだジョンソンのSU(JSU)の分布として定義される。
  論文  参考訳（メタデータ） (2022-07-06T17:42:52Z)
• A Hybrid Model for Forecasting Short-Term Electricity Demand [59.372588316558826]
  現在、英国電気市場は、規制当局が30分毎に発行する負荷(需要)予測によってガイドされている。 本稿では,機能工学(候補予測機能の選択),移動ウィンドウ予測,LSTMエンコーダデコーダを組み合わせたハイブリッド予測モデルHYENAを提案する。
  論文  参考訳（メタデータ） (2022-05-20T22:13:25Z)
• Multi-head Temporal Attention-Augmented Bilinear Network for Financial time series prediction [77.57991021445959]
  本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。 本手法の有効性を,大規模書籍市場データを用いて検証した。
  論文  参考訳（メタデータ） (2022-01-14T14:02:19Z)
• 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)
• Bilinear Input Normalization for Neural Networks in Financial Forecasting [101.89872650510074]
  本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。 提案手法は,財務時系列のバイモーダル特性を考慮したものである。 我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
  論文  参考訳（メタデータ） (2021-09-01T07:52:03Z)
• Random vector functional link neural network based ensemble deep learning for short-term load forecasting [14.184042046855884]
  本稿では,電力負荷予測のための新しいアンサンブルディープランダム関数リンク(edRVFL)を提案する。 隠されたレイヤは、深い表現学習を強制するために積み上げられます。 モデルは各層の出力をアンサンブルすることで予測を生成する。
  論文  参考訳（メタデータ） (2021-07-30T01:20:48Z)
• The impact of online machine-learning methods on long-term investment decisions and generator utilization in electricity markets [69.68068088508505]
  電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。 最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。 また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
  論文  参考訳（メタデータ） (2021-03-07T11:28:54Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Neural Networks and Value at Risk [59.85784504799224]
  リスクしきい値推定における資産価値のモンテカルロシミュレーションを行う。 株式市場と長期債を試験資産として利用し、ニューラルネットワークについて検討する。 はるかに少ないデータでフィードされたネットワークは、大幅にパフォーマンスが悪くなっています。
  論文  参考訳（メタデータ） (2020-05-04T17:41:59Z)

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。