論文の概要: Multivariate Empirical Mode Decomposition based Hybrid Model for Day-ahead Peak Load Forecasting

• arxiv url: http://arxiv.org/abs/2110.14980v1
• Date: Thu, 28 Oct 2021 09:42:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-29 15:38:18.653036
• Title: Multivariate Empirical Mode Decomposition based Hybrid Model for Day-ahead Peak Load Forecasting
• Title（参考訳）: 多変量経験モード分解に基づく日頭ピーク負荷予測のためのハイブリッドモデル
• Authors: Yanmei Huang, Najmul Hasan, Changrui Deng, Yukun Bao
• Abstract要約: 本研究では,多変量経験モード分解(MEMD)と支持ベクトル回帰(SVR)に基づく新しいハイブリッド予測モデルを提案する。 オーストラリアのニューサウスウェールズ州(NSW)とビクトリア州(VIC)の2つの実世界の負荷データセットは、提案されたMEMD-PSO-SVRハイブリッドモデルの優位性を検証していると考えられている。
• 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: Accurate day-ahead peak load forecasting is crucial not only for power dispatching but also has a great interest to investors and energy policy maker as well as government. Literature reveals that 1% error drop of forecast can reduce 10 million pounds operational cost. Thus, this study proposed a novel hybrid predictive model built upon multivariate empirical mode decomposition (MEMD) and support vector regression (SVR) with parameters optimized by particle swarm optimization (PSO), which is able to capture precise electricity peak load. The novelty of this study mainly comes from the application of MEMD, which enables the multivariate data decomposition to effectively extract inherent information among relevant variables at different time frequency during the deterioration of multivariate over time. Two real-world load data sets from the New South Wales (NSW) and the Victoria (VIC) in Australia have been considered to verify the superiority of the proposed MEMD-PSO-SVR hybrid model. The quantitative and comprehensive assessments are performed, and the results indicate that the proposed MEMD-PSO-SVR method is a promising alternative for day-ahead electricity peak load forecasting.
• Abstract（参考訳）: 正確な日頭ピーク時の負荷予測は送電だけでなく、投資家やエネルギー政策立案者や政府にとっても大きな関心事となっている。 文献によると、1%の誤差の減少は1000万ポンドの運用コストを削減できる。 そこで本研究では,多変量経験モード分解 (memd) とサポートベクトル回帰 (svr) を,pso ( particle swarm optimization) により最適化したハイブリッド予測モデルを提案する。 本研究の新規性は主に,多変量データの分解により,時間とともに多変量が劣化する際の時間周波数の異なる変数間の固有情報を効果的に抽出できるMEMDの応用に起因している。 オーストラリアのニューサウスウェールズ州(NSW)とビクトリア州(VIC)の2つの実世界の負荷データセットは、提案されたMEMD-PSO-SVRハイブリッドモデルの優位性を検証していると考えられている。 定量的・包括的評価を行い,提案手法が日頭電力ピーク負荷予測に有望な代替手段であることを示す。

関連論文リスト

• Research on short-term load forecasting model based on VMD and IPSO-ELM [0.0]
  本研究では,変分モード分解(VMD)と改善粒子群最適化(IPSO)アルゴリズムを統合し,エクストリーム学習マシン(ELM)を最適化する高度な統合予測手法を提案する。 シミュレーションの結果,提案手法は従来のELM法, PSO-ELM法, PSO-ELM法と比較して予測精度と収束速度を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2024-10-04T09:20:33Z)
• Synthesizing Multimodal Electronic Health Records via Predictive Diffusion Models [69.06149482021071]
  EHRPDと呼ばれる新しいEHRデータ生成モデルを提案する。 時間間隔推定を組み込んだ拡散モデルである。 我々は2つの公開データセットで実験を行い、忠実さ、プライバシー、実用性の観点からEPHPDを評価する。
  論文  参考訳（メタデータ） (2024-06-20T02:20:23Z)
• A Multi-Grained Symmetric Differential Equation Model for Learning Protein-Ligand Binding Dynamics [73.35846234413611]
  薬物発見において、分子動力学(MD)シミュレーションは、結合親和性を予測し、輸送特性を推定し、ポケットサイトを探索する強力なツールを提供する。 我々は,数値MDを容易にし,タンパク質-リガンド結合ダイナミクスの正確なシミュレーションを提供する,最初の機械学習サロゲートであるNeuralMDを提案する。 従来の数値MDシミュレーションと比較して1K$times$ Speedupを実現することにより,NeuralMDの有効性と有効性を示す。
  論文  参考訳（メタデータ） (2024-01-26T09:35:17Z)
• Learning Energy-Based Models by Cooperative Diffusion Recovery Likelihood [64.95663299945171]
  高次元データに基づくエネルギーベースモデル(EBM)の訓練は、困難かつ時間を要する可能性がある。 EBMと、GANや拡散モデルのような他の生成フレームワークとの間には、サンプル品質に顕著なギャップがある。 本研究では,協調拡散回復可能性 (CDRL) を提案する。
  論文  参考訳（メタデータ） (2023-09-10T22:05:24Z)
• Forecast reconciliation for vaccine supply chain optimization [61.13962963550403]
  ワクチンサプライチェーン最適化は階層的な時系列予測の恩恵を受けることができる。 異なる階層レベルの予測は、上位レベルの予測が下位レベルの予測の総和と一致しないときに不整合となる。 我々は2010年から2021年にかけてのGSKの販売データを階層的時系列としてモデル化し,ワクチン販売予測問題に取り組む。
  論文  参考訳（メタデータ） (2023-05-02T14:34:34Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• A novel MDPSO-SVR hybrid model for feature selection in electricity consumption forecasting [0.0]
  本研究では,分散粒子群最適化 (MDPSO) を特徴選択に用いた。 MDPSO-SVRモデルは、他の確立されたモデルと比較すると、2つの実世界の電力消費データセットにおいて常に最高の性能を発揮する。
  論文  参考訳（メタデータ） (2022-06-14T07:50:04Z)
• 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)
• Comprehensive learning particle swarm optimization enabled modeling framework for multi-step-ahead influenza prediction [0.0]
  本研究では,多段階インフルエンザ予測のためのサポートベクタ回帰(SVR)と多層パーセプトロン(MLP)を組み合わせた包括的学習粒子群最適化に基づく機械学習フレームワークを提案する。 反復戦略、直接戦略、マルチインプット・マルチアウトプット(MIMO)戦略を含む3つの一般的なマルチステップ・アヘッド・予測・モデル・ストラテジーの性能と可能性に関する総合的な検討と検討を行った。
  論文  参考訳（メタデータ） (2021-10-27T10:50:40Z)
• Comparison of Traditional and Hybrid Time Series Models for Forecasting COVID-19 Cases [0.5849513679510832]
  2019年12月の新型コロナウイルスの感染は、すでに世界中で数百万人を感染させ、拡大し続けています。 流行のカーブが平ら化し始めた直後、多くの国が再びケースの増加を目撃し始めている。 したがって、国家当局や保健当局に将来の時代の即時戦略を提供するには、時系列予測モデルの徹底的な分析が必要です。
  論文  参考訳（メタデータ） (2021-05-05T14:56:27Z)
• Comparative Analysis of Machine Learning Approaches to Analyze and Predict the Covid-19 Outbreak [10.307715136465056]
  疫学領域における新型コロナウイルスの流行を予測するための機械学習(ML)アプローチの比較分析を行った。 これらの結果から,短期的政策の意思決定を支援するMLアルゴリズムの利点が明らかになった。
  論文  参考訳（メタデータ） (2021-02-11T11:57:33Z)

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。