論文の概要: Review of Low-Voltage Load Forecasting: Methods, Applications, and Recommendations

• arxiv url: http://arxiv.org/abs/2106.00006v1
• Date: Sun, 30 May 2021 14:18:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-02 14:09:41.504440
• Title: Review of Low-Voltage Load Forecasting: Methods, Applications, and Recommendations
• Title（参考訳）: 低電圧負荷予測の概観:方法・応用・勧告
• Authors: Stephen Haben, Siddharth Arora, Georgios Giasemidis, Marcus Voss, Danica Vukadinovic Greetham
• Abstract要約: 本稿では,ランドスケープ,現在のアプローチ,コアアプリケーション,課題,レコメンデーションについて概観する。 また、最も関連性があり有望なトレンドについても調査している。 研究と開発を促進するために、既知のLVレベルのオープンデータセットのオープンでコミュニティ主導のリストを確立する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The increased digitalisation and monitoring of the energy system opens up numerous opportunities % and solutions which can help to decarbonise the energy system. Applications on low voltage (LV), localised networks, such as community energy markets and smart storage will facilitate decarbonisation, but they will require advanced control and management. Reliable forecasting will be a necessary component of many of these systems to anticipate key features and uncertainties. Despite this urgent need, there has not yet been an extensive investigation into the current state-of-the-art of low voltage level forecasts, other than at the smart meter level. This paper aims to provide a comprehensive overview of the landscape, current approaches, core applications, challenges and recommendations. Another aim of this paper is to facilitate the continued improvement and advancement in this area. To this end, the paper also surveys some of the most relevant and promising trends. It establishes an open, community-driven list of the known LV level open datasets to encourage further research and development.
• Abstract（参考訳）: エネルギーシステムのデジタル化と監視の増大は、エネルギーシステムの脱炭素に役立つ多くの機会と解決策を開放する。 低電圧(LV)、地域エネルギー市場やスマートストレージといったローカライズドネットワークの応用は脱炭を促進するが、高度な制御と管理が必要である。 信頼性の高い予測は、重要な特徴や不確実性を予測するために、これらのシステムの多くに必要なコンポーネントとなるでしょう。 この緊急の需要にもかかわらず、スマートメータレベル以外では、低電圧レベル予測の現在の技術に関する広範囲な調査はまだ行われていない。 本稿では,景観,現在のアプローチ,コアアプリケーション,課題,レコメンデーションを総合的に概観することを目的とする。 本稿のもう一つの目的は,この分野の継続的な改善と発展を促進することである。 この目的のために、論文は最も関連性があり有望なトレンドについても調査している。 研究と開発を促進するために、既知のLVレベルのオープンデータセットのオープンでコミュニティ主導のリストを確立する。

関連論文リスト

• A Survey of AI-Powered Mini-Grid Solutions for a Sustainable Future in Rural Communities [0.18783379094746652]
  本稿では,統計的手法,機械学習アルゴリズム,ハイブリッドアプローチなど,様々な予測モデルについてレビューする。 Prophet、NeuralProphet、N-BEATSといった公開データセットやツールをモデル実装と検証のために検討している。 この調査は、将来の研究への推奨で締めくくられ、モデル適応と現実世界のアプリケーションへの最適化における課題に対処する。
  論文  参考訳（メタデータ） (2024-07-17T20:23:38Z)
• SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids [55.35059657148395]
  我々は,電力システム(PS)におけるグラフニューラルネットワーク(GNN)のための,最初のシミュレータに依存しない,安全指向のフレームワークであるSafePowerGraphを紹介する。 SafePowerGraphは複数のPFシミュレータとOPFシミュレータを統合し、エネルギー価格の変動や電力線停止など、さまざまなシナリオでGNNのパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2024-07-17T09:01:38Z)
• EASRec: Elastic Architecture Search for Efficient Long-term Sequential Recommender Systems [82.76483989905961]
  現在のSRS(Sequential Recommender Systems)は、計算とリソースの非効率に悩まされている。 我々は、効率的な長期シーケンスレコメンダシステム(EASRec)のための弾性アーキテクチャー探索を開発する。 EASRecは、入力データバッチから履歴情報を活用するデータ認識ゲートを導入し、レコメンデーションネットワークの性能を改善する。
  論文  参考訳（メタデータ） (2024-02-01T07:22:52Z)
• Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
  本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。 特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
  論文  参考訳（メタデータ） (2022-11-29T01:18:58Z)
• 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)
• Electrical peak demand forecasting- A review [7.5337868245858255]
  本稿では,本論文におけるピーク負荷予測手法の概要について概説する。 本稿では,まず,ピーク負荷需要予測の正確かつ統一的な問題定義について述べる。 第2に,ピーク負荷予測手法に関する139の論文を体系的にレビューした。 第3に,ピーク負荷予測手法の比較分析を要約し,予測性能を改善するための最適化手法について述べる。
  論文  参考訳（メタデータ） (2021-08-03T10:04:33Z)
• Artificial Intelligence Based Prognostic Maintenance of Renewable Energy Systems: A Review of Techniques, Challenges, and Future Research Directions [3.1123064748686287]
  データ分析と機械学習(ML)技術は、これらの予後維持システムの全体的な効率を高めるために使われています。 本稿では,文献に報告されている予測/予測保守フレームワークの概要について述べる。 MLベースのソリューションの重要な側面として、ドメインで一般的に使用されるデータセットについても議論します。
  論文  参考訳（メタデータ） (2021-04-20T11:41:00Z)
• Applications of physics-informed scientific machine learning in subsurface science: A survey [64.0476282000118]
  地球系は、化石エネルギー探査、廃棄物処理、地質炭素隔離、再生可能エネルギー生成などの人間の活動によって変化した地質形成です。 したがって、ジオシステムの責任ある使用と探索は、効率的な監視、リスクアセスメント、および実用的な実装のための意思決定支援ツールに依存するジオシステムガバナンスにとって重要です。 近年の機械学習アルゴリズムと新しいセンシング技術の急速な進歩は、地下研究コミュニティがジオシステムガバナンスの有効性と透明性を向上させる新しい機会を提示しています。
  論文  参考訳（メタデータ） (2021-04-10T13:40:22Z)
• Reinforcement Learning for Decision-Making and Control in Power Systems: Tutorial, Review, and Vision [9.363707557258175]
  近年、強化学習(RL)が注目されています。 我々はRLに焦点をあて、様々なRL技術についてチュートリアルを提供し、電力系統における意思決定と制御にどのように適用できるかを論じる。 特に、周波数制御、電圧制御、エネルギー管理を含む3つの重要な応用を図示として選択する。
  論文  参考訳（メタデータ） (2021-01-27T03:45:44Z)
• 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。