論文の概要: PSML: A Multi-scale Time-series Dataset for Machine Learning in
Decarbonized Energy Grids
- arxiv url: http://arxiv.org/abs/2110.06324v1
- Date: Tue, 12 Oct 2021 20:18:49 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-14 15:26:37.322287
- Title: PSML: A Multi-scale Time-series Dataset for Machine Learning in
Decarbonized Energy Grids
- Title（参考訳）: PSML: 脱炭エネルギーグリッドにおける機械学習のためのマルチスケール時系列データセット
- Authors: Xiangtian Zheng, Nan Xu, Loc Trinh, Dongqi Wu, Tong Huang, S.
Sivaranjani, Yan Liu, Le Xie
- Abstract要約: PSMLはオープンアクセス型マルチスケール時系列データセットである。
我々は,将来の電力網の信頼性向上に向けたデータ駆動機械学習(ML)手法の開発を支援するためにPSMLを提案する。
このデータセットは、動的システムにおけるMLの進歩を可能にすると同時に、ML研究者がカーボンニュートラル電気と移動性に貢献できることを期待している。
- 参考スコア（独自算出の注目度）: 11.03026038752202
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The electric grid is a key enabling infrastructure for the ambitious
transition towards carbon neutrality as we grapple with climate change. With
deepening penetration of renewable energy resources and electrified
transportation, the reliable and secure operation of the electric grid becomes
increasingly challenging. In this paper, we present PSML, a first-of-its-kind
open-access multi-scale time-series dataset, to aid in the development of
data-driven machine learning (ML) based approaches towards reliable operation
of future electric grids. The dataset is generated through a novel transmission
+ distribution (T+D) co-simulation designed to capture the increasingly
important interactions and uncertainties of the grid dynamics, containing
electric load, renewable generation, weather, voltage and current measurements
at multiple spatio-temporal scales. Using PSML, we provide state-of-the-art ML
baselines on three challenging use cases of critical importance to achieve: (i)
early detection, accurate classification and localization of dynamic
disturbance events; (ii) robust hierarchical forecasting of load and renewable
energy with the presence of uncertainties and extreme events; and (iii)
realistic synthetic generation of physical-law-constrained measurement time
series. We envision that this dataset will enable advances for ML in dynamic
systems, while simultaneously allowing ML researchers to contribute towards
carbon-neutral electricity and mobility.
- Abstract（参考訳）: 気候変動に対処するため、電力網は炭素中立への野心的な移行のためのインフラとなる。
再生可能エネルギー資源の浸透と電気輸送の深化に伴い、電力網の信頼性と安全性の確保がますます困難になっている。
本稿では,データ駆動機械学習(ML)に基づく今後の電力網の信頼性向上に向けたアプローチの開発を支援する,オープンアクセス型マルチスケール時系列データセットPSMLを提案する。
データセットは、電力負荷、再生可能エネルギー、天気、電圧、電流測定を複数の時空間スケールで含む、グリッドダイナミクスのますます重要な相互作用と不確実性を記録するために設計された新しいtransmission + distribution (t+d) 共シミュレーションによって生成される。
PSMLを用いて、重要な3つのユースケースに挑戦する3つの課題に対して、最先端のMLベースラインを提供する。
(i)動的外乱事象の早期検出、正確な分類及び局在
(ii)不確実性及び極端な事象の有無による負荷及び再生可能エネルギーのロバストな階層的予測
(iii)物理則拘束測定時系列の現実的な合成生成
このデータセットは、動的システムにおけるMLの進歩を可能にすると同時に、ML研究者がカーボンニュートラル電気と移動性に貢献できることを期待している。
関連論文リスト
- Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。
最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。
我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
論文 参考訳（メタデータ） (2024-07-18T15:44:23Z) - Foundation Models for the Electric Power Grid [53.02072064670517]
ファンデーションモデル(FM)がニュースの見出しを支配している。
多様なグリッドデータやトポロジからFMを学習することで、トランスフォーメーション能力が解放されるのではないか、と私たちは主張する。
本稿では,グラフニューラルネットワークに基づく電力グリッドFMの概念,すなわちGridFMについて論じる。
論文 参考訳（メタデータ） (2024-07-12T17:09:47Z) - Multiscale Spatio-Temporal Enhanced Short-term Load Forecasting of Electric Vehicle Charging Stations [4.239428835958199]
電気自動車(EV)の急速な拡大により、電気自動車充電ステーション(EVCS)の負荷予測がますます重要になっている。
EVCSの正確な負荷予測を実現する上での最大の課題は、充電行動の非線形性、異なるステーション間の空間的相互作用、使用パターンの複雑な時間的変動を考慮することである。
EVCSにおける負荷予測のためのマルチスケール時空間拡張モデル(MSTEM)を提案する。
論文 参考訳（メタデータ） (2024-05-29T12:54:22Z) - Rethinking Urban Mobility Prediction: A Super-Multivariate Time Series
Forecasting Approach [71.67506068703314]
長期の都市移動予測は、都市施設やサービスの効果的管理において重要な役割を担っている。
伝統的に、都市移動データはビデオとして構成され、経度と緯度を基本的なピクセルとして扱う。
本研究では,都市におけるモビリティ予測の新たな視点について紹介する。
都市移動データを従来のビデオデータとして単純化するのではなく、複雑な時系列と見なす。
論文 参考訳（メタデータ） (2023-12-04T07:39:05Z) - Towards Energy-Aware Federated Traffic Prediction for Cellular Networks [2.360352205004026]
本稿では機械学習モデル(ML)の実現可能性を評価するための新しいサステナビリティ指標を提案する。
スペイン・バルセロナ地区の基地局(BS)からの実測値を用いて,最先端のディープラーニング(DL)アーキテクチャを連邦シナリオで評価した。
以上の結果から,より大きなMLモデルでは性能が著しく向上するが,炭素フットプリントの面では環境への影響が大きいことが示唆された。
論文 参考訳（メタデータ） (2023-09-19T14:28:09Z) - 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) - Leveraging the Potential of Novel Data in Power Line Communication of
Electricity Grids [0.5399800035598186]
電力網は、日常生活において気づかないことが多いとしても、日常生活において不可欠な部分となっている。
本稿では、ブロードバンド電力線通信インフラにおける計測に基づく2つの第一種データセットを提案する。
両方のデータセットFiN-1とFiN-2は、約440万人を供給しているドイツの低電圧グリッドの一部で実運用中に収集された。
論文 参考訳（メタデータ） (2022-09-23T11:37:02Z) - Predicting Future Occupancy Grids in Dynamic Environment with
Spatio-Temporal Learning [63.25627328308978]
本稿では,将来の占有予測を生成するための時間的予測ネットワークパイプラインを提案する。
現在のSOTAと比較して、我々の手法は3秒の長い水平線での占有を予測している。
我々は、さらなる研究を支援するために、nulisに基づくグリッド占有データセットを公開します。
論文 参考訳（メタデータ） (2022-05-06T13:45:32Z) - Combining Embeddings and Fuzzy Time Series for High-Dimensional Time
Series Forecasting in Internet of Energy Applications [0.0]
Fuzzy Time Series (FTS) モデルは、実装が容易で高精度なデータ駆動非パラメトリックモデルとして際立っている。
本稿では,従来の高次元データを低次元埋め込み空間に投影することにより,高次元時系列を扱う新しい手法を提案する。
論文 参考訳（メタデータ） (2021-12-03T19:50:09Z) - Data-Driven Time Series Reconstruction for Modern Power Systems Research [11.447394702830408]
本稿では,送信システムオペレータが公開するグリッドスナップショットと履歴データを用いて,高忠実度時系列を再構築するためのデータ駆動型フレームワークを提案する。
これにより、合成されるが、非常に現実的な時系列データを5分間の粒度で複数年にわたって、個々の成分レベルで生成する。
論文 参考訳（メタデータ） (2021-10-26T15:26:38Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z)
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。