論文の概要: Recurrent Neural Based Electricity Load Forecasting of G-20 Members
- arxiv url: http://arxiv.org/abs/2010.12934v1
- Date: Sat, 24 Oct 2020 16:56:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 13:36:46.845200
- Title: Recurrent Neural Based Electricity Load Forecasting of G-20 Members
- Title（参考訳）: G-20部材の繰り返しニューラルネットワークによる電力負荷予測
- Authors: Jaymin Suhagiya, Deep Raval, Siddhi Vinayak Pandey, Jeet Patel, Ayushi
Gupta, Akshay Srivastava
- Abstract要約: 本稿では、リカレントニューラルネットワークとスライディングウインドウを用いたG-20部材の負荷予測を行い、データ生成を行う。
実験中、LSTMを用いて16.2193 TWhの平均絶対誤差を達成した。
- 参考スコア（独自算出の注目度）: 0.5541644538483947
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Forecasting the actual amount of electricity with respect to the need/demand
of the load is always been a challenging task for each power plants based
generating stations. Due to uncertain demand of electricity at receiving end of
station causes several challenges such as: reduction in performance parameters
of generating and receiving end stations, minimization in revenue, increases
the jeopardize for the utility to predict the future energy need for a company
etc. With this issues, the precise forecasting of load at the receiving end
station is very consequential parameter to establish the impeccable balance
between supply and demand chain. In this paper, the load forecasting of G-20
members have been performed utilizing the Recurrent Neural Network coupled with
sliding window approach for data generation. During the experimentation we have
achieved Mean Absolute Test Error of 16.2193 TWh using LSTM.
- Abstract（参考訳）: 負荷の必要/要求に関する実際の電力量を予測することは、各発電所の発電ステーションにとって常に困難な課題である。
駅の終点受電時の電力需要の不確実さにより、エンドステーションの生成・受電時の性能パラメータの低減、収益の最小化、企業の将来のエネルギー需要を予測するためのユーティリティの不安定化など、いくつかの課題が生じる。
この問題により、受信端局における負荷の正確な予測は、需給チェーンと需給チェーンの間の不可避なバランスを確立するために非常に連続的なパラメータとなる。
本稿では,リカレントニューラルネットワークとスライディングウィンドウを用いたデータ生成手法を用いて,G-20部材の負荷予測を行った。
実験中、LSTMを用いて16.2193 TWhの平均絶対誤差を達成した。
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) - Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。
本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。
評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
論文 参考訳（メタデータ） (2023-07-14T06:50:02Z) - Interval Load Forecasting for Individual Households in the Presence of
Electric Vehicle Charging [0.0]
従来の内燃機関に代わる電気自動車(EV)への移行は、電気に対する社会的需要を増大させている。
本稿では,EV充電の有無を考慮した家庭用負荷予測のためのLong Short-Term Memory Bayesian Neural Networks (LSTM-BNN)を提案する。
その結果,提案するLSTM-BNNは,予測間隔の利点を生かして,点予測と類似した精度が得られた。
論文 参考訳（メタデータ） (2023-06-05T16:25:33Z) - 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) - 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) - Prescribing net demand for two-stage electricity generation scheduling [0.0]
本稿では,フォワードディスパッチとリアルタイム再配信からなる2段階のスケジューリング問題について考察する。
標準産業の実践は、前段階における不確実な純需要に対処し、条件付き予測を適切に見積もって置き換える。
本稿では,電力系統のコスト非対称性を考慮に入れたネット需要の基準を策定するバイレベルプログラムを提案する。
論文 参考訳（メタデータ） (2021-08-02T16:05:53Z) - 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) - Deep Learning for Radio Resource Allocation with Diverse
Quality-of-Service Requirements in 5G [53.23237216769839]
本研究では,基地局の最適資源配分ポリシーを近似するディープラーニングフレームワークを開発する。
完全接続ニューラルネットワーク(NN)は,近似誤差とサブキャリア数の量子化誤差により,要求を完全に保証できないことがわかった。
無線チャネルの分布と無線ネットワークにおけるサービスのタイプが定常的でないことを考慮し,非定常的無線ネットワークにおけるNNの更新にディープトランスファー学習を適用した。
論文 参考訳（メタデータ） (2020-03-29T04:48:22Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。