論文の概要: An Adaptive Deep Learning Framework for Day-ahead Forecasting of
Photovoltaic Power Generation
- arxiv url: http://arxiv.org/abs/2109.13442v1
- Date: Tue, 28 Sep 2021 02:39:56 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-29 14:53:39.825649
- Title: An Adaptive Deep Learning Framework for Day-ahead Forecasting of
Photovoltaic Power Generation
- Title(参考訳): 太陽光発電の日頭予測のための適応型ディープラーニングフレームワーク
- Authors: Xing Luo, Dongxiao Zhang
- Abstract要約: 本稿では,従来のデータから一般知識を取得するだけでなく,新たなデータから特定の知識を動的に学習するDLフレームワークである適応LSTM(AD-LSTM)モデルを提案する。
開発したAD-LSTMモデルは,特にコンセプトドリフトの存在下で,オフラインのLSTMモデルよりも高い予測能力を示す。
- 参考スコア(独自算出の注目度): 0.8702432681310401
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate forecasts of photovoltaic power generation (PVPG) are essential to
optimize operations between energy supply and demand. Recently, the propagation
of sensors and smart meters has produced an enormous volume of data, which
supports the development of data based PVPG forecasting. Although emerging deep
learning (DL) models, such as the long short-term memory (LSTM) model, based on
historical data, have provided effective solutions for PVPG forecasting with
great successes, these models utilize offline learning. As a result, DL models
cannot take advantage of the opportunity to learn from newly-arrived data, and
are unable to handle concept drift caused by installing extra PV units and
unforeseen PV unit failures. Consequently, to improve day-ahead PVPG
forecasting accuracy, as well as eliminate the impacts of concept drift, this
paper proposes an adaptive LSTM (AD-LSTM) model, which is a DL framework that
can not only acquire general knowledge from historical data, but also
dynamically learn specific knowledge from newly-arrived data. A two-phase
adaptive learning strategy (TP-ALS) is integrated into AD-LSTM, and a sliding
window (SDWIN) algorithm is proposed, to detect concept drift in PV systems.
Multiple datasets from PV systems are utilized to assess the feasibility and
effectiveness of the proposed approaches. The developed AD-LSTM model
demonstrates greater forecasting capability than the offline LSTM model,
particularly in the presence of concept drift. Additionally, the proposed
AD-LSTM model also achieves superior performance in terms of day-ahead PVPG
forecasting compared to other traditional machine learning models and
statistical models in the literature.
- Abstract(参考訳): 太陽光発電(PVPG)の正確な予測は、エネルギー供給と需要の間の運用を最適化するために不可欠である。
近年,センサとスマートメータの伝搬は膨大な量のデータを生み出し,PVPG予測データの開発を支援している。
歴史データに基づく長期記憶(LSTM)モデルのような新しい深層学習(DL)モデルは、PVPG予測に有効なソリューションを提供する一方で、これらのモデルはオフライン学習を利用する。
その結果、DLモデルは新たに開発されたデータから学習する機会を生かすことができず、余分なPVユニットや予期せぬPVユニットの故障によるコンセプトドリフトに対処できない。
そこで本研究では, 日頭PVPG予測精度の向上とコンセプトドリフトの影響を解消するために, 従来のデータから一般知識を得るだけでなく, 新たに開発されたデータから特定の知識を動的に学習するDLフレームワークである適応LSTM(AD-LSTM)モデルを提案する。
2相適応学習戦略 (TP-ALS) をAD-LSTMに統合し, PVシステムにおけるコンセプトドリフトを検出するスライディングウィンドウ (SDWIN) アルゴリズムを提案する。
PVシステムからの複数のデータセットを用いて,提案手法の有効性と有効性を評価する。
開発したAD-LSTMモデルは,特にコンセプトドリフトの存在下で,オフラインのLSTMモデルよりも高い予測能力を示す。
さらに,AD-LSTMモデルでは,従来の機械学習モデルや文献の統計モデルと比較して,日頭PVPG予測において優れた性能が得られる。
関連論文リスト
- Renewable Energy Prediction: A Comparative Study of Deep Learning Models for Complex Dataset Analysis [6.857122511301731]
ディープラーニング(DL)モデルは、再生可能エネルギーデータセットにおける複雑な非線形関係をキャプチャする。
7つの機械学習手法、LSTM, Stacked LSTM, CNN, CNN-LSTM, Time-Distributed Distributed (TD-MLP), Autoencoder (AE)を評価した。
オーバーフィッティングに対処するために、早期停止、ニューロンのドロップアウト、L1、L2の正規化といった規則化技術が適用される。
論文 参考訳(メタデータ) (2025-01-27T02:10:10Z) - Optimizing Sequential Recommendation Models with Scaling Laws and Approximate Entropy [104.48511402784763]
SRモデルの性能法則は,モデルの性能とデータ品質の関係を理論的に調査し,モデル化することを目的としている。
データ品質を評価するために、従来のデータ量メトリクスと比較して、より曖昧なアプローチを示すために、近似エントロピー(ApEn)を提案する。
論文 参考訳(メタデータ) (2024-11-30T10:56:30Z) - Self-Augmented Preference Optimization: Off-Policy Paradigms for Language Model Alignment [104.18002641195442]
既存のペアデータを必要としない、効果的でスケーラブルなトレーニングパラダイムである自己拡張型優先度最適化(SAPO)を導入する。
負の反応を自律的に生成するセルフプレイの概念に基づいて、我々はさらに、データ探索とエクスプロイトを強化するために、非政治的な学習パイプラインを組み込む。
論文 参考訳(メタデータ) (2024-05-31T14:21:04Z) - Diffusion-Based Neural Network Weights Generation [80.89706112736353]
D2NWGは拡散に基づくニューラルネットワーク重み生成技術であり、転送学習のために高性能な重みを効率よく生成する。
本稿では,ニューラルネットワーク重み生成のための遅延拡散パラダイムを再放送するために,生成的ハイパー表現学習を拡張した。
我々のアプローチは大規模言語モデル(LLM)のような大規模アーキテクチャにスケーラブルであり、現在のパラメータ生成技術の限界を克服しています。
論文 参考訳(メタデータ) (2024-02-28T08:34:23Z) - MATNet: Multi-Level Fusion Transformer-Based Model for Day-Ahead PV
Generation Forecasting [0.47518865271427785]
MATNetはPV発電予測のための新しい自己アテンショントランスフォーマーベースのアーキテクチャである。
これは、AIパラダイムとPV発電に関する以前の物理的知識を組み合わせたハイブリッドアプローチで構成されている。
その結果,提案アーキテクチャは現在の最先端手法よりも優れていた。
論文 参考訳(メタデータ) (2023-06-17T14:03:09Z) - DA-LSTM: A Dynamic Drift-Adaptive Learning Framework for Interval Load
Forecasting with LSTM Networks [1.3342521220589318]
ドリフト等級閾値は、ドリフトを識別するための変化検出方法を設計するために定義されるべきである。
本稿では,負荷予測モデルの性能向上を図るための動的ドリフト適応長短期メモリ(DA-LSTM)フレームワークを提案する。
論文 参考訳(メタデータ) (2023-05-15T16:26:03Z) - Forecasting Intraday Power Output by a Set of PV Systems using Recurrent Neural Networks and Physical Covariates [0.0]
PhotoVoltaic(PV)システムによる出力の正確な予測は、エネルギー分配グリッドの動作を改善するために重要である。
このような日内予測の実現を目的とした神経自己回帰モデルについて述べる。
論文 参考訳(メタデータ) (2023-03-15T09:03:58Z) - A comparative assessment of deep learning models for day-ahead load
forecasting: Investigating key accuracy drivers [2.572906392867547]
短期負荷予測(STLF)は電力グリッドとエネルギー市場の効果的かつ経済的な運用に不可欠である。
STLFの文献ではいくつかのディープラーニングモデルが提案されており、有望な結果を報告している。
論文 参考訳(メタデータ) (2023-02-23T17:11:04Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳(メタデータ) (2023-01-05T13:59:29Z) - 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) - 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)
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。