論文の概要: Short-term probabilistic photovoltaic power forecast based on deep
convolutional long short-term memory network and kernel density estimation
- arxiv url: http://arxiv.org/abs/2107.01343v1
- Date: Sat, 3 Jul 2021 04:49:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-06 14:45:36.444197
- Title: Short-term probabilistic photovoltaic power forecast based on deep
convolutional long short-term memory network and kernel density estimation
- Title（参考訳）: 深い畳み込み型長期記憶ネットワークとカーネル密度推定に基づく短時間確率的太陽光発電電力予測
- Authors: Mingliang Bai, Xinyu Zhao, Zhenhua Long, Jinfu Liu, Daren Yu
- Abstract要約: 本稿では,Deep Convolutional long short-term memory (ConvLSTM) ネットワークとカーネル密度推定 (KDE) を用いた短期太陽光発電電力予測手法を提案する。
実際の太陽光発電所における実験により,提案手法の有効性が検証された。
- 参考スコア（独自算出の注目度）: 1.8899300124593645
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Solar energy is a clean and renewable energy. Photovoltaic (PV) power is an
important way to utilize solar energy. Accurate PV power forecast is crucial to
the large-scale application of PV power and the stability of electricity grid.
This paper proposes a novel method for short-term photovoltaic power forecast
using deep convolutional long short-term memory (ConvLSTM) network and kernel
density estimation (KDE). In the proposed method, ConvLSTM is used to forecast
the future photovoltaic power and KDE is used for estimating the joint
probabilistic density function and giving the probabilistic confidence
interval. Experiments in an actual photovoltaic power station verify the
effectiveness of the proposed method. Comparison experiments with convolutional
neural network (CNN) and long short-term memory network (LSTM)shows that
ConvLSTM can combine the advantages of both CNN and LSTM and significantly
outperform CNN and LSTM in terms of forecast accuracy. Through further
comparison with other five conventional methods including multilayer perceptron
(MLP), support vector regression (SVR), extreme learning machine (ELM),
classification and regression tree (CART) and gradient boosting decision tree
(GBDT), ConvLSTM can significantly improve the forecast accuracy by more than
20% for most of the five methods and the superiorities of ConvLSTM are further
verified.
- Abstract（参考訳）: 太陽エネルギーはクリーンで再生可能エネルギーである。
太陽光発電(PV)は太陽エネルギーを利用する重要な方法である。
PV電力の大規模適用と電力グリッドの安定性には,正確なPV電力予測が不可欠である。
本稿では,Deep Convolutional long short-term memory (ConvLSTM) ネットワークとカーネル密度推定 (KDE) を用いた短期太陽光発電電力予測手法を提案する。
提案手法では, 将来の太陽光発電パワーを予測するためにConvLSTMを用い, KDEを用いて関節確率密度関数を推定し, 確率信頼区間を与える。
実太陽光発電所における実験により,提案手法の有効性が検証された。
畳み込みニューラルネットワーク(CNN)と長短期記憶ネットワーク(LSTM)の比較実験により、ConvLSTMはCNNとLSTMの両方の利点を組み合わせ、予測精度においてCNNとLSTMを著しく上回っていることが示された。
さらに、多層パーセプトロン(MLP)、サポートベクター回帰(SVR)、エクストリームラーニングマシン(ELM)、分類・回帰木(CART)、勾配促進決定木(GBDT)を含む従来の5つの手法と比較して、ConvLSTMは5つの手法のほとんどに対して20%以上精度を向上し、ConvLSTMの優位性をさらに検証することができる。
関連論文リスト
- Beam Prediction based on Large Language Models [51.45077318268427]
ミリ波(mmWave)通信は次世代無線ネットワークに期待できるが、パス損失は大きい。
長短期記憶(LSTM)のような従来のディープラーニングモデルでは、ビーム追跡精度が向上するが、ロバスト性や一般化が不足している。
本稿では,大規模言語モデル(LLM)を用いて,ビーム予測の堅牢性を向上させる。
論文 参考訳（メタデータ） (2024-08-16T12:40:01Z) - Mitigating Out-of-Distribution Data Density Overestimation in
Energy-Based Models [54.06799491319278]
深部エネルギーベースモデル(EBM)は、複雑な分布を学習する能力によって注目されている。
EBMの訓練には、Langevin Monte Carlo (LMC) を用いた最大推定(MLE)を用いることが多い。
短周期LCCのMLEが, 誤った密度推定でEMMに収束する理由を考察する。
論文 参考訳（メタデータ） (2022-05-30T02:49:17Z) - An Energy-Based Prior for Generative Saliency [62.79775297611203]
本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。
生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。
実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
論文 参考訳（メタデータ） (2022-04-19T10:51:00Z) - KPF-AE-LSTM: A Deep Probabilistic Model for Net-Load Forecasting in High
Solar Scenarios [0.0]
本稿では, 日頭ネット負荷の確率的予測を15分分解能, 様々な太陽透過レベルで生成する深層学習手法を提案する。
これらのモデルは、既存のベンチマークモデルと比較して、優れた予測性能を提供するとともに、優れたトレーニング効率を維持することが示されている。
論文 参考訳（メタデータ） (2022-03-05T10:54:54Z) - Learning Generative Vision Transformer with Energy-Based Latent Space
for Saliency Prediction [51.80191416661064]
本稿では,有意な物体検出に先立って,潜伏変数を持つ新しい視覚変換器を提案する。
ビジョントランスネットワークとエネルギーベース先行モデルの両方は、マルコフ連鎖モンテカルロによる最大推定を通じて共同で訓練される。
生成型視覚変換器により、画像から容易に画素単位の不確実性マップを得ることができ、画像から唾液濃度を予測するためのモデル信頼度を示す。
論文 参考訳（メタデータ） (2021-12-27T06:04:33Z) - Energy-Efficient Model Compression and Splitting for Collaborative
Inference Over Time-Varying Channels [52.60092598312894]
本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。
提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
論文 参考訳（メタデータ） (2021-06-02T07:36:27Z) - Probabilistic Solar Power Forecasting: Long Short-Term Memory Network vs
Simpler Approaches [0.2867517731896504]
この記事では、長期記憶ニューラルネットワークと他のより単純なアプローチの比較を紹介します。
この論文は、2014年のGlobal Energy Forecasting Competitionで提供されたオープンソースのデータセットを利用している。
論文 参考訳（メタデータ） (2021-01-20T18:13:07Z) - Short-term prediction of photovoltaic power generation using Gaussian
process regression [3.8386504037654534]
本稿は,英国におけるPVシステムによるエネルギーの予測に焦点をあてる。
モデルは3つの主要な要因に対して48時間の短期予測で評価される。
また、予測期間内でのクラウドカバレッジと、予測者としての最初のクラウドカバレッジについて、非常に短期的な予測を比較します。
論文 参考訳（メタデータ） (2020-10-05T18:35:25Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z) - Evaluation of electrical efficiency of photovoltaic thermal solar
collector [1.9604116035607555]
本研究では, 太陽光発電用ソーラーコレクタ(PV/T)の熱特性を機械学習で予測する。
入射温度、流量、熱、太陽放射、太陽熱は入力変数として検討されている。
提案した LSSVM モデルは ANFIS と ANNs モデルより優れていた。
論文 参考訳（メタデータ） (2020-02-11T21:11:54Z) - 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。