論文の概要: National-scale electricity peak load forecasting: Traditional, machine
learning, or hybrid model?
- arxiv url: http://arxiv.org/abs/2107.06174v1
- Date: Wed, 30 Jun 2021 15:17:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-18 12:22:06.695891
- Title: National-scale electricity peak load forecasting: Traditional, machine
learning, or hybrid model?
- Title（参考訳）: 全国規模の電力ピーク負荷予測:伝統的な、機械学習、ハイブリッドモデル?
- Authors: Juyong Lee and Youngsang Cho
- Abstract要約: 本研究は,韓国における最も正確なピーク負荷予測モデルを決定するための比較分析を行う。
その結果,ハイブリッドモデルはSARIMAXモデルよりも大幅に改善されていることがわかった。
2019年の韓国最高負荷の場合、LSTMモデルの予測能力は、SARIMAX-LSTMモデルよりも大きかった。
- 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: As the volatility of electricity demand increases owing to climate change and
electrification, the importance of accurate peak load forecasting is
increasing. Traditional peak load forecasting has been conducted through time
series-based models; however, recently, new models based on machine or deep
learning are being introduced. This study performs a comparative analysis to
determine the most accurate peak load-forecasting model for Korea, by comparing
the performance of time series, machine learning, and hybrid models. Seasonal
autoregressive integrated moving average with exogenous variables (SARIMAX) is
used for the time series model. Artificial neural network (ANN), support vector
regression (SVR), and long short-term memory (LSTM) are used for the machine
learning models. SARIMAX-ANN, SARIMAX-SVR, and SARIMAX-LSTM are used for the
hybrid models. The results indicate that the hybrid models exhibit significant
improvement over the SARIMAX model. The LSTM-based models outperformed the
others; the single and hybrid LSTM models did not exhibit a significant
performance difference. In the case of Korea's highest peak load in 2019, the
predictive power of the LSTM model proved to be greater than that of the
SARIMAX-LSTM model. The LSTM, SARIMAX-SVR, and SARIMAX-LSTM models outperformed
the current time series-based forecasting model used in Korea. Thus, Korea's
peak load-forecasting performance can be improved by including machine learning
or hybrid models.
- Abstract（参考訳）: 気候変動や電化による電力需要の変動性の増加に伴い、正確なピーク負荷予測の重要性が高まっている。
従来のピーク負荷予測は時系列モデルによって行われているが、近年では機械学習やディープラーニングに基づく新しいモデルが導入されている。
本研究は,時系列,機械学習,ハイブリッドモデルの性能を比較することで,韓国における最も正確なピーク負荷予測モデルを決定するための比較分析を行う。
時系列モデルでは,季節的自己回帰統合移動平均と外因性変数(SARIMAX)を用いる。
機械学習モデルには、ニューラルネットワーク(ANN)、サポートベクター回帰(SVR)、長期短期記憶(LSTM)が使用される。
ハイブリッドモデルでは、SARIMAX-ANN、SARIMAX-SVR、SARIMAX-LSTMが使用される。
その結果,ハイブリッドモデルはSARIMAXモデルよりも大幅に改善されていることがわかった。
LSTMベースのモデルは他のモデルよりも優れており、シングルとハイブリッドのLSTMモデルは大きな性能差を示さなかった。
2019年の韓国最高負荷の場合、LSTMモデルの予測能力は、SARIMAX-LSTMモデルよりも大きいことが判明した。
LSTM、SARIMAX-SVR、SARIMAX-LSTMモデルは、韓国で使用されている現在の時系列予測モデルよりも優れていた。
したがって、機械学習やハイブリッドモデルを含めることで、韓国のピーク負荷予測性能を向上させることができる。
関連論文リスト
- EMR-Merging: Tuning-Free High-Performance Model Merging [55.03509900949149]
Elect, Mask & Rescale-Merging (EMR-Merging) は既存のマージ手法と比較して優れた性能を示した。
EMR-Mergingはチューニング不要なので、データアベイラビリティや追加のトレーニングは必要ありません。
論文 参考訳（メタデータ） (2024-05-23T05:25:45Z) - Generalization capabilities and robustness of hybrid machine learning models grounded in flow physics compared to purely deep learning models [2.8686437689115363]
本研究では,流体力学応用における物理原理に基づく純粋深層学習モデルとハイブリッドモデルの一般化能力と堅牢性について検討する。
3つの自己回帰モデルを比較した。畳み込み自己エンコーダと畳み込みLSTM、変分自己エンコーダ(VAE)とConvLSTMと適切な分解(POD)とLSTM(POD-DL)を組み合わせたハイブリッドモデルである。
VAEおよびConvLSTMモデルは層流を正確に予測する一方で、ハイブリッドPOD-DLモデルは層流と乱流の双方において他のモデルよりも優れていた。
論文 参考訳（メタデータ） (2024-04-27T12:43:02Z) - Introducing Hybrid Modeling with Time-series-Transformers: A Comparative
Study of Series and Parallel Approach in Batch Crystallization [0.0]
既存のデジタルツインのほとんどは、ディープニューラルリカレントと畳み込みニューラルネットワーク(DNN、RNN、CNN)を使用して、化学系のダイナミクスを捉えるデータ駆動ブラックボックスモデルに依存している。
近年,マルチヘッドアテンション機構と位置符号化を利用したアテンションベースの時系列変換器(TST)は,高い予測性能を示した。
バッチ結晶化のための第1世代のTSTベースのハイブリッドフレームワークが開発され、従来のブラックボックスモデルと比較して精度と解釈性が向上した。
論文 参考訳（メタデータ） (2023-07-25T15:19:51Z) - Short-term Prediction of Household Electricity Consumption Using
Customized LSTM and GRU Models [5.8010446129208155]
本稿では,GRU (Gated Recurrent Unit) とLong Short-Term Memory (LSTM) アーキテクチャを提案する。
電力消費データセットは家庭ごとのスマートメーターから得られた。
論文 参考訳（メタデータ） (2022-12-16T23:42:57Z) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳（メタデータ） (2022-06-26T10:58:41Z) - How robust are pre-trained models to distribution shift? [82.08946007821184]
自己教師付き学習(SSL)と自己エンコーダベースモデル(AE)の相互関係が相互関係に与える影響を示す。
本研究では, 線形ヘッドの潜在バイアスから事前学習したモデルの性能を分離するために, アウト・オブ・ディストリビューション(OOD)データに基づいて訓練された線形ヘッドを用いた新しい評価手法を開発した。
論文 参考訳（メタデータ） (2022-06-17T16:18:28Z) - 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) - METRO: Efficient Denoising Pretraining of Large Scale Autoencoding
Language Models with Model Generated Signals [151.3601429216877]
本稿では,補助モデルにより生成された学習信号を用いて,大規模自動符号化言語モデルの事前学習を行う。
我々は「モデル生成dEnoising TRaining Objective」(METRO)というレシピを提案する。
結果、最大54億のパラメータからなるMETRO-LMは、GLUE、SuperGLUE、SQuADベンチマークで新しい最先端を実現する。
論文 参考訳（メタデータ） (2022-04-13T21:39:15Z) - Learning and Dynamical Models for Sub-seasonal Climate Forecasting:
Comparison and Collaboration [20.52175766498954]
サブシーズン気候予報(サブシーズン気候予報、Sub-seasonal climate forecasting、SSF)は、2週間から2ヶ月の時間地平線における気温や降水などの重要な気候変数の予測である。
近年の研究では、機械学習モデル(ML)がSSFを前進させる可能性を示している。
論文 参考訳（メタデータ） (2021-09-29T06:34:34Z) - A Hybrid Residual Dilated LSTM end Exponential Smoothing Model for
Mid-Term Electric Load Forecasting [1.1602089225841632]
このモデルは指数的平滑化(ETS)、高度なLong Short-Term Memory(LSTM)とアンサンブルを組み合わせたものである。
欧州35か国における月次電力需要時系列のシミュレーション研究により,提案モデルの高性能性が確認された。
論文 参考訳（メタデータ） (2020-03-29T10:53:50Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳（メタデータ） (2020-03-04T00:44:57Z)
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。