論文の概要: Generating Long-term Continuous Multi-type Generation Profiles using
Generative Adversarial Network
- arxiv url: http://arxiv.org/abs/2012.13344v2
- Date: Wed, 24 Feb 2021 14:18:13 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 07:14:14.997549
- Title: Generating Long-term Continuous Multi-type Generation Profiles using
Generative Adversarial Network
- Title(参考訳): 生成逆数ネットワークを用いた長期連続多型生成プロファイルの生成
- Authors: Ming Dong, Kaigui Xie, Wenyuan Li
- Abstract要約: 新しい技術の採用により、電力系統のダイナミクスが大幅に向上した。
従来の長期計画研究はシステムのダイナミクスを反映できず、システム信頼性の欠陥を正確に予測できないことが多い。
本稿では,GAN(Generative Adversarial Networks)を用いたマルチジェネレーションタイプのプロファイル生成手法を提案する。
- 参考スコア(独自算出の注目度): 7.234117485816439
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Today, the adoption of new technologies has increased power system dynamics
significantly. Traditional long-term planning studies that most utility
companies perform based on discrete power levels such as peak or average values
cannot reflect system dynamics and often fail to accurately predict system
reliability deficiencies. As a result, long-term future continuous profiles
such as the 8760 hourly profiles are required to enable time-series based
long-term planning studies. However, unlike short-term profiles used for
operation studies, generating long-term continuous profiles that can reflect
both historical time-varying characteristics and future expected power
magnitude is very challenging. Current methods such as average profiling have
major drawbacks. To solve this challenge, this paper proposes a completely
novel approach to generate such profiles for multiple generation types using
Generative Adversarial Networks (GAN). A multi-level profile synthesis process
is proposed to capture time-varying characteristics at different time levels.
Both Single-type GAN and a modified Conditional GAN systems are developed.
Unique profile evaluation metrics are proposed. The proposed approach was
evaluated based on a public dataset and demonstrated great performance and
application value for generating long-term continuous multi-type generation
profiles.
- Abstract(参考訳): 今日、新しい技術の採用により、電力系統のダイナミクスが大幅に向上している。
ほとんどのユーティリティ企業が、ピークや平均値などの離散的なパワーレベルに基づいて実行する従来の長期計画研究は、システムのダイナミクスを反映することができず、しばしばシステムの信頼性の欠陥を正確に予測できない。
その結果、時系列に基づく長期計画研究を実現するためには、8760時間プロファイルなどの長期的連続プロファイルが必要である。
しかし、操作研究に使用される短期プロファイルとは異なり、歴史的時間変化特性と将来の期待するパワーマグニチュードの両方を反映できる長期連続プロファイルの生成は非常に困難である。
平均プロファイルのような現在の手法には大きな欠点がある。
本稿では,この課題を解決するために,gan (generative adversarial networks) を用いた複数世代のプロファイル生成手法を提案する。
異なる時間レベルの時間変化特性を捉えるために,多段階プロファイル合成法を提案する。
単一型 GAN と修正型 Conditional GAN システムの両方が開発されている。
ユニークなプロファイル評価指標が提案されている。
提案手法は, 公開データセットに基づいて評価し, 長期連続マルチタイプ生成プロファイルを生成するための優れた性能とアプリケーション価値を示した。
関連論文リスト
- PDETime: Rethinking Long-Term Multivariate Time Series Forecasting from
the perspective of partial differential equations [49.80959046861793]
本稿では,ニューラルPDEソルバの原理に着想を得た新しいLMTFモデルであるPDETimeを提案する。
7つの異なる時間的実世界のLMTFデータセットを用いた実験により、PDETimeがデータ固有の性質に効果的に適応できることが判明した。
論文 参考訳(メタデータ) (2024-02-25T17:39:44Z) - Timer: Transformers for Time Series Analysis at Scale [87.9808714449511]
本稿では,大規模時系列モデル(LTSM)の早期開発を目的とした。
事前トレーニング中に、最大10億のタイムポイントを持つ大規模なデータセットをキュレートします。
多様なアプリケーションのニーズを満たすため,予測,計算,時系列の異常検出を統一的な生成タスクに変換する。
論文 参考訳(メタデータ) (2024-02-04T06:55:55Z) - The Bigger the Better? Rethinking the Effective Model Scale in Long-term
Time Series Forecasting [57.00348861248051]
時系列予測は時系列分析において重要なフロンティアである。
階層的な分解で拡張された軽量トランスフォーマーであるHDformerを紹介する。
HDformerは既存のLTSFモデルよりも優れており、パラメータは99%以上少ない。
論文 参考訳(メタデータ) (2024-01-22T13:15:40Z) - TEMPO: Prompt-based Generative Pre-trained Transformer for Time Series
Forecasting [26.080207374930055]
本稿では,時系列表現を効果的に学習できる新しいフレームワークTEMPOを提案する。
TEMPOは、様々な領域のデータから現実世界の時間現象を動的にモデル化する機能を拡張する。
論文 参考訳(メタデータ) (2023-10-08T00:02:25Z) - Generative Modeling of Regular and Irregular Time Series Data via
Koopman VAEs [53.91784369229405]
モデルの新しい設計に基づく新しい生成フレームワークであるKoopman VAEを紹介する。
クープマン理論に触発され、線形写像を用いて潜在条件事前力学を表現する。
以上の結果から,KVAEは,合成および実世界の時系列生成ベンチマークにおいて,最先端のGAN法およびVAE法よりも優れていた。
論文 参考訳(メタデータ) (2023-10-04T07:14:43Z) - MPR-Net:Multi-Scale Pattern Reproduction Guided Universality Time Series
Interpretable Forecasting [13.790498420659636]
時系列予測は、その広範な応用が本質的に困難なため、既存の研究から幅広い関心を集めている。
本稿では,まず,畳み込み操作を用いてマルチスケールの時系列パターンを適応的に分解し,パターン再現の既知に基づいてパターン拡張予測手法を構築し,最終的に畳み込み操作を用いて将来的なパターンを再構築する。
時系列に存在する時間的依存関係を活用することで、MPR-Netは線形時間複雑性を達成するだけでなく、予測プロセスも解釈できる。
論文 参考訳(メタデータ) (2023-07-13T13:16:01Z) - Stecformer: Spatio-temporal Encoding Cascaded Transformer for
Multivariate Long-term Time Series Forecasting [11.021398675773055]
本稿では,特徴抽出とターゲット予測の観点から,問題の完全な解決法を提案する。
抽出のために,半適応グラフを含む効率的な時間的符号化抽出器を設計し,十分な時間的情報を取得する。
予測のために、異なる間隔間の相関を強化するためにカスケードデ予測器(CDP)を提案する。
論文 参考訳(メタデータ) (2023-05-25T13:00:46Z) - Validation Methods for Energy Time Series Scenarios from Deep Generative
Models [55.41644538483948]
一般的なシナリオ生成アプローチでは、データ分散に関する前提なしにシナリオを生成するディープ生成モデル(DGM)を使用する。
エネルギーシナリオ生成文献における現在使われている検証手法の批判的評価を行う。
過去のデータと生成されたデータの両方に4つの検証手法を適用し、検証結果の解釈と、一般的な誤り、落とし穴、検証方法の限界について議論する。
論文 参考訳(メタデータ) (2021-10-27T14:14:25Z) - Improved Predictive Deep Temporal Neural Networks with Trend Filtering [22.352437268596674]
本稿では,ディープニューラルネットワークとトレンドフィルタリングに基づく新しい予測フレームワークを提案する。
我々は,学習データをトレンドフィルタリングによって時間的に処理した場合,深部時相ニューラルネットワークの予測性能が向上することを明らかにする。
論文 参考訳(メタデータ) (2020-10-16T08:29:36Z) - Deep Switching Auto-Regressive Factorization:Application to Time Series
Forecasting [16.934920617960085]
DSARFは、時間依存重みと空間依存因子の間の積変数による高次元データを近似する。
DSARFは、深い切替ベクトル自己回帰因子化の観点から重みをパラメータ化するという最先端技術とは異なる。
本実験は, 最先端手法と比較して, DSARFの長期的, 短期的予測誤差において優れた性能を示すものである。
論文 参考訳(メタデータ) (2020-09-10T20:15:59Z) - Transformer Hawkes Process [79.16290557505211]
本稿では,長期的依存関係を捕捉する自己認識機構を利用したTransformer Hawkes Process (THP) モデルを提案する。
THPは、有意なマージンによる可能性と事象予測の精度の両方の観点から、既存のモデルより優れている。
本稿では、THPが関係情報を組み込む際に、複数の点過程を学習する際の予測性能の改善を実現する具体例を示す。
論文 参考訳(メタデータ) (2020-02-21T13:48:13Z)
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。