論文の概要: Energy Forecasting in Smart Grid Systems: A Review of the
State-of-the-art Techniques
- arxiv url: http://arxiv.org/abs/2011.12598v3
- Date: Mon, 23 May 2022 23:42:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 03:24:19.882905
- Title: Energy Forecasting in Smart Grid Systems: A Review of the
State-of-the-art Techniques
- Title（参考訳）: スマートグリッドシステムにおけるエネルギー予測:最先端技術の概要
- Authors: Devinder Kaur, Shama Naz Islam, Md. Apel Mahmud, Md. Enamul Haque and
ZhaoYang Dong
- Abstract要約: 本稿では,スマートグリッド(SG)システムの最先端予測手法について概説する。
統計学,機械学習(ML),深層学習(DL)などの従来の点予測手法について検討した。
ヴィクトリア朝の電力消費とアメリカの電力(AEP)の比較ケーススタディを行った。
- 参考スコア（独自算出の注目度）: 2.3436632098950456
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Energy forecasting has a vital role to play in smart grid (SG) systems
involving various applications such as demand-side management, load shedding,
and optimum dispatch. Managing efficient forecasting while ensuring the least
possible prediction error is one of the main challenges posed in the grid
today, considering the uncertainty and granularity in SG data. This paper
presents a comprehensive and application-oriented review of state-of-the-art
forecasting methods for SG systems along with recent developments in
probabilistic deep learning (PDL) considering different models and
architectures. Traditional point forecasting methods including statistical,
machine learning (ML), and deep learning (DL) are extensively investigated in
terms of their applicability to energy forecasting. In addition, the
significance of hybrid and data pre-processing techniques to support
forecasting performance is also studied. A comparative case study using the
Victorian electricity consumption and American electric power (AEP) datasets is
conducted to analyze the performance of point and probabilistic forecasting
methods. The analysis demonstrates higher accuracy of the long-short term
memory (LSTM) models with appropriate hyper-parameter tuning among point
forecasting methods especially when sample sizes are larger and involve
nonlinear patterns with long sequences. Furthermore, Bayesian bidirectional
LSTM (BLSTM) as a probabilistic method exhibit the highest accuracy in terms of
least pinball score and root mean square error (RMSE).
- Abstract（参考訳）: エネルギー予測は、需要側管理、負荷削減、最適ディスパッチといった様々な応用を含むスマートグリッド(SG)システムにおいて重要な役割を果たす。
SGデータの不確実性や粒度を考慮し、予測誤差の最小化を図りながら効率的な予測を管理することが、今日のグリッドにおける主要な課題の1つである。
本稿では,様々なモデルやアーキテクチャを考慮した確率的深層学習(PDL)の最近の発展とともに,SGシステムの最先端予測手法の総合的,アプリケーション指向のレビューを行う。
統計学,機械学習(ML),深層学習(DL)などの従来の点予測手法は,エネルギー予測への適用性の観点から広く研究されている。
また、予測性能を支援するハイブリッドおよびデータ前処理技術の意義についても検討した。
ビクトリア電力消費とアメリカ電力(aep)データセットを用いた比較ケーススタディを行い,ポイントと確率予測手法の性能について検討した。
この分析は,特にサンプルサイズが大きく,長いシーケンスを持つ非線形パターンを含む場合,点予測法で適切なハイパーパラメータチューニングを行う長短メモリ(LSTM)モデルの精度を示す。
さらに,確率的手法としてのベイズ的双方向LSTM (BLSTM) は,最小ピンボールスコアとルート平均二乗誤差 (RMSE) において高い精度を示す。
関連論文リスト
- On the Impact of PRB Load Uncertainty Forecasting for Sustainable Open RAN [2.526444902695476]
持続可能なOpen Radio Access Network(O-RAN)アーキテクチャへの移行は、リソース管理に新たな課題をもたらす。
本稿では,確率的予測手法を用いて物理資源ブロック(PRB)負荷を特徴付ける新しい手法を提案する。
論文 参考訳（メタデータ） (2024-07-19T15:25:20Z) - 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) - CogDPM: Diffusion Probabilistic Models via Cognitive Predictive Coding [62.075029712357]
本研究は認知拡散確率モデル(CogDPM)を紹介する。
CogDPMは拡散モデルの階層的サンプリング能力に基づく精度推定法と拡散モデル固有の性質から推定される精度重み付きガイダンスを備える。
我々は,Universal Kindomの降水量と表面風速データセットを用いた実世界の予測タスクにCogDPMを適用した。
論文 参考訳（メタデータ） (2024-05-03T15:54:50Z) - Comparative Evaluation of Metaheuristic Algorithms for Hyperparameter
Selection in Short-Term Weather Forecasting [0.0]
本稿では,遺伝的アルゴリズム (GA), 微分進化 (DE), 粒子群最適化 (PSO) のメタヒューリスティックアルゴリズムの適用について検討する。
平均二乗誤差(MSE)や平均絶対パーセンテージ誤差(MAPE)といった指標に基づいて天気予報の性能を評価する。
論文 参考訳（メタデータ） (2023-09-05T22:13:35Z) - 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) - A comparative assessment of deep learning models for day-ahead load
forecasting: Investigating key accuracy drivers [2.572906392867547]
短期負荷予測(STLF)は電力グリッドとエネルギー市場の効果的かつ経済的な運用に不可欠である。
STLFの文献ではいくつかのディープラーニングモデルが提案されており、有望な結果を報告している。
論文 参考訳（メタデータ） (2023-02-23T17:11:04Z) - Probabilistic AutoRegressive Neural Networks for Accurate Long-range
Forecasting [6.295157260756792]
確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。
PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。
本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
論文 参考訳（メタデータ） (2022-04-01T17:57:36Z) - Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic
Regression [51.770998056563094]
PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。
既存の最先端手法と比較してPGBMの利点を実証的に示す。
論文 参考訳（メタデータ） (2021-06-03T08:32:13Z) - Physics-Informed Gaussian Process Regression for Probabilistic States
Estimation and Forecasting in Power Grids [67.72249211312723]
電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。
PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。
提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
論文 参考訳（メタデータ） (2020-10-09T14:18:31Z) - 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) - An Integrated Multi-Time-Scale Modeling for Solar Irradiance Forecasting
Using Deep Learning [1.52292571922932]
太陽エネルギーの非定常特性のため、短期的な太陽照度予測は困難である。
日内太陽光のマルチスケール予測のための統一アーキテクチャを提案する。
提案手法は,全試験場の平均RMSEを71.5%削減する。
論文 参考訳（メタデータ） (2019-05-07T14:40:32Z)
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。