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
- Recurrent Neural Goodness-of-Fit Test for Time Series [8.22915954499148]
時系列データは、金融や医療など、さまざまな分野において重要である。
従来の評価基準は、時間的依存関係と潜在的な特徴の高次元性のために不足している。
Recurrent Neural (RENAL) Goodness-of-Fit testは,生成時系列モデルを評価するための新しい,統計的に厳密なフレームワークである。
論文 参考訳（メタデータ） (2024-10-17T19:32:25Z) - Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
我々は時系列の統一予測のための生成変換器Timer-XLを提案する。
Timer-XLは、統一されたアプローチにより、挑戦的な予測ベンチマークで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-10-07T07:27:39Z) - Multiscale Representation Enhanced Temporal Flow Fusion Model for Long-Term Workload Forecasting [19.426131129034115]
本稿では,自己指導型マルチスケール表現学習を利用して,長期および短期のワークロードパターンを抽出する新しいフレームワークを提案する。
長期履歴はマルチスケール表現によって符号化され、短期観測は時流融合によってモデル化される。
論文 参考訳（メタデータ） (2024-07-29T04:42:18Z) - Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。
時間間隔推定を組み込んだ拡散モデルである。
我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
論文 参考訳（メタデータ） (2024-06-20T02:20:23Z) - Multi-Scale Dilated Convolution Network for Long-Term Time Series Forecasting [17.132063819650355]
時系列の周期と傾向を捉えるために,MSDCN(Multi Scale Dilated Convolution Network)を提案する。
指数関数的に増加する拡張と異なるカーネルサイズを持つ異なる畳み込みブロックを設計し、異なるスケールで時系列データをサンプリングする。
提案手法の有効性を検証するため,8つの長期時系列予測ベンチマークデータセットを用いて実験を行った。
論文 参考訳（メタデータ） (2024-05-09T02:11:01Z) - 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) - TEMPO: Prompt-based Generative Pre-trained Transformer for Time Series Forecasting [24.834846119163885]
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) - 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) - 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) - Supporting Optimal Phase Space Reconstructions Using Neural Network
Architecture for Time Series Modeling [68.8204255655161]
位相空間特性を暗黙的に学習する機構を持つ人工ニューラルネットワークを提案する。
私たちのアプローチは、ほとんどの最先端戦略と同じくらいの競争力があるか、あるいは優れているかのどちらかです。
論文 参考訳（メタデータ） (2020-06-19T21:04:47Z) - 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。