論文の概要: The impact of online machine-learning methods on long-term investment
decisions and generator utilization in electricity markets
- arxiv url: http://arxiv.org/abs/2103.04327v1
- Date: Sun, 7 Mar 2021 11:28:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-10 22:19:11.808600
- Title: The impact of online machine-learning methods on long-term investment
decisions and generator utilization in electricity markets
- Title（参考訳）: オンライン機械学習手法が電力市場の長期投資決定と発電機利用に与える影響
- Authors: Alexander J. M. Kell, A. Stephen McGough, Matthew Forshaw
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 69.68068088508505
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electricity supply must be matched with demand at all times. This helps
reduce the chances of issues such as load frequency control and the chances of
electricity blackouts. To gain a better understanding of the load that is
likely to be required over the next 24h, estimations under uncertainty are
needed. This is especially difficult in a decentralized electricity market with
many micro-producers which are not under central control.
In this paper, we investigate the impact of eleven offline learning and five
online learning algorithms to predict the electricity demand profile over the
next 24h. We achieve this through integration within the long-term agent-based
model, ElecSim. Through the prediction of electricity demand profile over the
next 24h, we can simulate the predictions made for a day-ahead market. Once we
have made these predictions, we sample from the residual distributions and
perturb the electricity market demand using the simulation, ElecSim. This
enables us to understand the impact of errors on the long-term dynamics of a
decentralized electricity market.
We show we can reduce the mean absolute error by 30% using an online
algorithm when compared to the best offline algorithm, whilst reducing the
required tendered national grid reserve required. This reduction in national
grid reserves leads to savings in costs and emissions. We also show that large
errors in prediction accuracy have a disproportionate error on investments made
over a 17-year time frame, as well as electricity mix.
- Abstract（参考訳）: 電力供給は常に需要に合致する必要があります。
これにより、負荷周波数制御や停電といった問題が発生する確率を減らすことができる。
今後24時間以内に必要となるであろう負荷をよりよく理解するためには、不確実性に基づく推定が必要である。
これは、多くのマイクロプロデューサが中央制御下にない分散電力市場では特に困難である。
本稿では,11のオフライン学習と5つのオンライン学習アルゴリズムによる次の24時間における電力需要プロファイルの予測について検討する。
長期エージェントベースのモデルであるElecSimに統合することで実現します。
今後の24時間における電力需要プロファイルの予測を通じて、日頭市場における予測をシミュレートすることができる。
これらの予測を行った後、残留分布からサンプルを採取し、シミュレーションであるElecSimを用いて電力市場需要を摂動させる。
これにより、分散型電力市場の長期的ダイナミクスに対するエラーの影響を理解することができる。
提案手法では,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,また,必要となる余裕のある全国的グリッドリザーブを削減できることを示した。
この国別埋蔵量の減少は、コストと排出量の節約につながります。
また, 予測精度の大きな誤差は, 17年間の時間枠での投資に不均等な誤差があり, 電気の混合も可能であることを示した。
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) - Any-Quantile Probabilistic Forecasting of Short-Term Electricity Demand [8.068451210598678]
電力システムは、決定論的に説明できない複数の要因から生じる不確実性の下で運用される。
ディープラーニングの最近の進歩は、ポイント予測の精度を大幅に向上させるのに役立っている。
任意の量子を予測できる分布予測のための新しい一般手法を提案する。
論文 参考訳（メタデータ） (2024-04-26T14:43:19Z) - Price-Aware Deep Learning for Electricity Markets [58.3214356145985]
深層学習層として電力市場浄化最適化を組み込むことを提案する。
このレイヤを差別化することで、予測と価格エラーのバランスをとることができる。
風力発電予測と短期電力市場浄化のネクサスにおける価格認識深層学習について紹介する。
論文 参考訳（メタデータ） (2023-08-02T21:16:05Z) - Electricity Price Forecasting Model based on Gated Recurrent Units [0.0]
本稿では, Gated Recurrent Units に基づく電力価格予測モデルを提案する。
電力価格の騒音は分析の効率と効率を著しく低下させる。
提案手法は電力価格の予測に有効である。
論文 参考訳（メタデータ） (2022-07-28T16:49:03Z) - Machine learning applications for electricity market agent-based models:
A systematic literature review [68.8204255655161]
エージェントベースのシミュレーションは、電気市場のダイナミクスをよりよく理解するために使用される。
エージェントベースのモデルは、機械学習と人工知能を統合する機会を提供する。
我々は、エージェントベースの電気市場モデルに適用された機械学習に焦点を当てた2016年から2021年の間に発行された55の論文をレビューする。
論文 参考訳（メタデータ） (2022-06-05T14:52:26Z) - 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) - N-BEATS neural network for mid-term electricity load forecasting [8.430502131775722]
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。
論文 参考訳（メタデータ） (2020-09-24T21:48:08Z) - Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning
for Smart Grids [56.35173057183362]
家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。
目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。
マルコフゲームとしてスマートグリッド環境の定式化を提案する。
論文 参考訳（メタデータ） (2020-05-05T07:32:40Z) - 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)
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。