論文の概要: Short-Term Electricity Price Forecasting based on Graph Convolution
Network and Attention Mechanism
- arxiv url: http://arxiv.org/abs/2107.12794v1
- Date: Mon, 26 Jul 2021 15:44:07 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-28 14:26:56.441123
- Title: Short-Term Electricity Price Forecasting based on Graph Convolution
Network and Attention Mechanism
- Title（参考訳）: グラフ畳み込みネットワークと注意機構に基づく短期電力価格予測
- Authors: Yuyun Yang, Zhenfei Tan, Haitao Yang, Guangchun Ruan, Haiwang Zhong
- Abstract要約: 本稿では、スペクトルグラフ畳み込みネットワーク(GCN)を調整し、短期LMP予測の精度を大幅に向上させる。
3分岐ネットワーク構造はLMPの構成と一致するように設計されている。
PJMによるIEEE-118テストシステムと実世界のデータに基づくケーススタディにより、提案モデルが既存の予測モデルよりも精度で優れていることが検証された。
- 参考スコア（独自算出の注目度）: 5.331757100806177
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In electricity markets, locational marginal price (LMP) forecasting is
particularly important for market participants in making reasonable bidding
strategies, managing potential trading risks, and supporting efficient system
planning and operation. Unlike existing methods that only consider LMPs'
temporal features, this paper tailors a spectral graph convolutional network
(GCN) to greatly improve the accuracy of short-term LMP forecasting. A
three-branch network structure is then designed to match the structure of LMPs'
compositions. Such kind of network can extract the spatial-temporal features of
LMPs, and provide fast and high-quality predictions for all nodes
simultaneously. The attention mechanism is also implemented to assign varying
importance weights between different nodes and time slots. Case studies based
on the IEEE-118 test system and real-world data from the PJM validate that the
proposed model outperforms existing forecasting models in accuracy, and
maintains a robust performance by avoiding extreme errors.
- Abstract（参考訳）: 電力市場においては、適切な入札戦略、潜在的なトレーディングリスクの管理、効率的なシステム計画と運用支援において、市場参加者にとって特にLMP予測が重要である。
LMPの時間的特徴のみを考慮する既存の方法とは異なり、本論文はスペクトルグラフ畳み込みネットワーク(GCN)を調整し、短期LMP予測の精度を大幅に向上させる。
3分岐ネットワーク構造はLMPの構成と一致するように設計されている。
この種のネットワークはLMPの時空間的特徴を抽出し、全てのノードに対して高速かつ高品質な予測を同時に提供する。
注意機構も実装されており、異なるノードと時間スロット間の重み付けが異なる。
PJMのIEEE-118テストシステムと実世界のデータに基づくケーススタディでは、提案モデルが既存の予測モデルよりも精度が高く、極端なエラーを回避して堅牢な性能を維持している。
関連論文リスト
- BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。
我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
論文 参考訳（メタデータ） (2024-11-09T05:40:32Z) - Short-Term Multi-Horizon Line Loss Rate Forecasting of a Distribution
Network Using Attention-GCN-LSTM [9.460123100630158]
本稿では,GCN(Graph Convolutional Networks),LSTM(Long Short-Term Memory)と3レベルアテンション機構を組み合わせた新しい手法であるAttention-GCN-LSTMを提案する。
本モデルにより,複数の水平線を横断する線損失率の正確な予測が可能となる。
論文 参考訳（メタデータ） (2023-12-19T06:47:22Z) - Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。
マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。
シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文 参考訳（メタデータ） (2023-09-16T11:37:23Z) - ST-MLP: A Cascaded Spatio-Temporal Linear Framework with
Channel-Independence Strategy for Traffic Forecasting [47.74479442786052]
時空間グラフニューラルネットワーク(STGNN)に関する現在の研究は、しばしば複雑な設計を優先し、精度をわずかに向上させるだけで計算負荷を発生させる。
マルチ層パーセプトロン(MLP)モジュールと線形層のみをベースとした,簡潔な時空間モデルST-MLPを提案する。
実験の結果,ST-MLPは最先端STGNNと他のモデルよりも精度と計算効率の点で優れていた。
論文 参考訳（メタデータ） (2023-08-14T23:34:59Z) - Renewable energy management in smart home environment via forecast
embedded scheduling based on Recurrent Trend Predictive Neural Network [0.0]
本稿では,Recurrent Trends Predictive Neural Network based Forecast Embedded Scheduling (rTPNN-FES)と呼ばれるMLアルゴリズムを提案する。
rTPNN-FESは、再生可能エネルギーの発生と家電のスケジュールを同時に予測する新しいニューラルネットワークアーキテクチャである。
組込み構造により、rTPNN-FESは予測とスケジューリングのための別々のアルゴリズムの使用を排除し、予測エラーに対して堅牢なスケジュールを生成する。
論文 参考訳（メタデータ） (2023-07-04T10:18:16Z) - AI Driven Near Real-time Locational Marginal Pricing Method: A
Feasibility and Robustness Study [0.6144680854063939]
ロケーション・マージナル・プライシング (Locational Marginal Pricing, LMP) は、現代の多くの電力市場で使われている。
大規模な電力網では、このプロセスは違法な時間と計算集約となる。
本研究では、複数の電力網上でのLMP予測において、一般的な機械学習モデルとディープラーニングモデルの性能を評価する。
論文 参考訳（メタデータ） (2023-06-16T06:41:04Z) - Evaluating Short-Term Forecasting of Multiple Time Series in IoT
Environments [67.24598072875744]
IoT(Internet of Things)環境は、多数のIoT対応センシングデバイスを介して監視される。
この問題を緩和するため、センサーは比較的低いサンプリング周波数で動作するように設定されることが多い。
これは、予測などの後続の意思決定を劇的に妨げる可能性がある。
論文 参考訳（メタデータ） (2022-06-15T19:46:59Z) - Multi-head Temporal Attention-Augmented Bilinear Network for Financial
time series prediction [77.57991021445959]
本稿では,時間的注意と多面的注意の考え方に基づいて,ニューラルネットワークの能力を拡張するニューラルネットワーク層を提案する。
本手法の有効性を,大規模書籍市場データを用いて検証した。
論文 参考訳（メタデータ） (2022-01-14T14:02:19Z) - Appliance Level Short-term Load Forecasting via Recurrent Neural Network [6.351541960369854]
本稿では,各家電の消費電力を効率よく予測するSTLFアルゴリズムを提案する。
提案手法は、ディープラーニングにおける強力なリカレントニューラルネットワーク(RNN)アーキテクチャに基づいている。
論文 参考訳（メタデータ） (2021-11-23T16:56:37Z) - Energy Forecasting in Smart Grid Systems: A Review of the
State-of-the-art Techniques [2.3436632098950456]
本稿では,スマートグリッド(SG)システムの最先端予測手法について概説する。
統計学,機械学習(ML),深層学習(DL)などの従来の点予測手法について検討した。
ヴィクトリア朝の電力消費とアメリカの電力(AEP)の比較ケーススタディを行った。
論文 参考訳（メタデータ） (2020-11-25T09:17:07Z) - Deep Stock Predictions [58.720142291102135]
本稿では,Long Short Term Memory (LSTM) ニューラルネットワークを用いてポートフォリオ最適化を行うトレーディング戦略の設計について考察する。
次に、LSTMのトレーニングに使用する損失関数をカスタマイズし、利益を上げる。
カスタマイズされた損失関数を持つLSTMモデルは、ARIMAのような回帰ベースライン上でのトレーニングボットの性能を向上させる。
論文 参考訳（メタデータ） (2020-06-08T23:37:47Z)
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。