論文の概要: Hydroelectric Generation Forecasting with Long Short Term Memory (LSTM) Based Deep Learning Model for Turkey

• arxiv url: http://arxiv.org/abs/2109.09013v1
• Date: Sat, 18 Sep 2021 21:13:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-21 16:04:56.600557
• Title: Hydroelectric Generation Forecasting with Long Short Term Memory (LSTM) Based Deep Learning Model for Turkey
• Title（参考訳）: 長期記憶(LSTM)に基づくトルコの深層学習モデルを用いた水力発電予測
• Authors: Mehmet Bulut
• Abstract要約: トルコの月次水力発電の推計は、長期記憶(LSTM)ネットワークに基づくディープラーニングモデルを用いて行われている。 その結果, 実生産データに基づく時系列の長期的利用と, ディープラーニングモデルとの併用が長期的予測に成功していることがわかった。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Hydroelectricity is one of the renewable energy source, has been used for many years in Turkey. The production of hydraulic power plants based on water reservoirs varies based on different parameters. For this reason, the estimation of hydraulic production gains importance in terms of the planning of electricity generation. In this article, the estimation of Turkey's monthly hydroelectricity production has been made with the long-short-term memory (LSTM) network-based deep learning model. The designed deep learning model is based on hydraulic production time series and future production planning for many years. By using real production data and different LSTM deep learning models, their performance on the monthly forecast of hydraulic electricity generation of the next year has been examined. The obtained results showed that the use of time series based on real production data for many years and deep learning model together is successful in long-term prediction. In the study, it is seen that the 100-layer LSTM model, in which 120 months (10 years) hydroelectric generation time data are used according to the RMSE and MAPE values, are the highest model in terms of estimation accuracy, with a MAPE value of 0.1311 (13.1%) in the annual total and 1.09% as the monthly average distribution. In this model, the best results were obtained for the 100-layer LSTM model, in which the time data of 144 months (12 years) hydroelectric generation data are used, with a RMSE value of 29,689 annually and 2474.08 in monthly distribution. According to the results of the study, time data covering at least 120 months of production is recommended to create an acceptable hydropower forecasting model with LSTM.
• Abstract（参考訳）: 水力発電はトルコで長年使われてきた再生可能エネルギー源の1つである。 貯水池に基づく水力発電所の生産は、異なるパラメータに基づいて異なる。 このため、発電計画において水力発電量の推定が重要となる。 本稿では,長期記憶(LSTM)ネットワークに基づくディープラーニングモデルを用いて,トルコの月間水力発電量の推定を行った。 設計されたディープラーニングモデルは、長年の油圧生産時系列と将来の生産計画に基づいている。 実生産データと各種LSTM深層学習モデルを用いて,来年の水力発電の月次予測の性能について検討した。 その結果, 実生産データに基づく時系列の長期的利用と, ディープラーニングモデルとの併用が長期的予測に成功していることがわかった。 本研究では,水力発電時間データをRMSE値とMAPE値に基づいて120ヶ月(10年)使用した100層LSTMモデルが推定精度が最も高く,MAPE値が年平均0.1311(13.1%),月間平均分布が1.09%であった。 本モデルでは,水力発電データ144ヶ月(12年)の時間データを用いて,年間29,689,月2474.08のrmse値を用いた100層lstmモデルにおいて,最も優れた結果を得た。 本研究の結果によると, 許容可能な水力発電量予測モデルの構築には, 生産から少なくとも120ヶ月にわたる時間データが推奨されている。

関連論文リスト

• GIFT-Eval: A Benchmark For General Time Series Forecasting Model Evaluation [90.53485251837235]
  時系列基礎モデルはゼロショット予測に優れ、明示的なトレーニングなしで多様なタスクを処理する。 GIFT-Evalは、多様なデータセットに対する評価を促進するための先駆的なベンチマークである。 GIFT-Evalには、144,000の時系列と17700万のデータポイントの23のデータセットが含まれている。
  論文  参考訳（メタデータ） (2024-10-14T11:29:38Z)
• Machine Learning-Based Completions Sequencing for Well Performance Optimization [0.0]
  このプロジェクトの主な目的は、多次元予測変数の効果を統合できる効果的な機械学習モデルを開発することである。 3つのモデルは全て、7.35から20.01万バレルの石油の根平均二乗誤差(RMSE)値で累積生産予測を行った。 包括的機能エンジニアリングやハイブリッドモデルやサロゲートモデルの使用を推奨するなど、大幅な改善の可能性がある。
  論文  参考訳（メタデータ） (2024-02-23T21:11:17Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Advanced Deep Regression Models for Forecasting Time Series Oil Production [3.1383147856975633]
  本研究の目的は、逐次畳み込みと長寿命メモリ(LSTM)ユニットを用いた高度なデータ駆動回帰モデルを開発することである。 LSTMに基づくシーケンス学習モデルは,平均絶対誤差(MAE)とR2スコア(111.16点,0.98点)の1次元畳み込みニューラルネットワーク(CNN)よりも石油生産を予測できることがわかった。
  論文  参考訳（メタデータ） (2023-08-30T15:54:06Z)
• Rapid Flood Inundation Forecast Using Fourier Neural Operator [77.30160833875513]
  洪水浸水予測は洪水前後の緊急計画に重要な情報を提供する。 近年,高分解能な流体力学モデリングが普及しつつあるが,道路の洪水範囲やリアルタイムのビルディングレベルは依然として計算的に要求されている。 洪水範囲と浸水深度予測のためのハイブリッドプロセスベースおよびデータ駆動機械学習(ML)アプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-29T22:49:50Z)
• Deep Learning Models for Flood Predictions in South Florida [0.0]
  本研究では,複数のディープラーニングモデル(DL)をサロゲートモデルとして使用して,水ステージを高速に予測する。 DLモデルの性能は、極端な降水条件下であっても物理モデルに匹敵する。 今後の水ステージを予測するため,我々のDLモデルは,近年の河川水系の測定値を用いている。
  論文  参考訳（メタデータ） (2023-06-28T04:15:01Z)
• Electricity Demand Forecasting with Hybrid Statistical and Machine Learning Algorithms: Case Study of Ukraine [0.0]
  提案手法は2013年から2020年までのウクライナの電力消費の時間データを用いて構築された。 我々のハイブリッドモデルは、時間分解能で長期電力消費を予測するのに非常に効果的である。
  論文  参考訳（メタデータ） (2023-04-11T12:15:50Z)
• Learning Large-scale Subsurface Simulations with a Hybrid Graph Network Simulator [57.57321628587564]
  本研究では3次元地下流体の貯留層シミュレーションを学習するためのハイブリッドグラフネットワークシミュレータ (HGNS) を提案する。 HGNSは、流体の進化をモデル化する地下グラフニューラルネットワーク(SGNN)と、圧力の進化をモデル化する3D-U-Netで構成されている。 産業標準地下フローデータセット(SPE-10)と1100万セルを用いて,HGNSが標準地下シミュレータの18倍の推算時間を短縮できることを実証した。
  論文  参考訳（メタデータ） (2022-06-15T17:29:57Z)
• 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)
• Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
  残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。 マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。 提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
  論文  参考訳（メタデータ） (2021-04-11T16:45:18Z)
• High Temporal Resolution Rainfall Runoff Modelling Using Long-Short-Term-Memory (LSTM) Networks [0.03694429692322631]
  このモデルは、大洪水で知られたテキサス州ヒューストンの流域で試験された。 LSTMネットワークは、ネットワークの入力と出力の間の長期的依存関係を学習する能力により、RRを高解像度でモデル化することができた。
  論文  参考訳（メタデータ） (2020-02-07T00:38:03Z)

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。