論文の概要: Appliance Level Short-term Load Forecasting via Recurrent Neural Network

• arxiv url: http://arxiv.org/abs/2111.11998v1
• Date: Tue, 23 Nov 2021 16:56:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-24 16:08:25.714745
• Title: Appliance Level Short-term Load Forecasting via Recurrent Neural Network
• Title（参考訳）: リカレントニューラルネットワークによるアプライアンスレベルの短期負荷予測
• Authors: Yuqi Zhou, Arun Sukumaran Nair, David Ganger, Abhinandan Tripathi, Chaitanya Baone, Hao Zhu
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 6.351541960369854
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate load forecasting is critical for electricity market operations and other real-time decision-making tasks in power systems. This paper considers the short-term load forecasting (STLF) problem for residential customers within a community. Existing STLF work mainly focuses on forecasting the aggregated load for either a feeder system or a single customer, but few efforts have been made on forecasting the load at individual appliance level. In this work, we present an STLF algorithm for efficiently predicting the power consumption of individual electrical appliances. The proposed method builds upon a powerful recurrent neural network (RNN) architecture in deep learning, termed as long short-term memory (LSTM). As each appliance has uniquely repetitive consumption patterns, the patterns of prediction error will be tracked such that past prediction errors can be used for improving the final prediction performance. Numerical tests on real-world load datasets demonstrate the improvement of the proposed method over existing LSTM-based method and other benchmark approaches.
• Abstract（参考訳）: 電力市場の運用や電力システムにおけるリアルタイム意思決定タスクには、正確な負荷予測が不可欠である。 本稿では,コミュニティ内の住宅顧客を対象とした短期負荷予測(STLF)問題について考察する。 既存のslf作業は、主にフィーダシステムまたは単一顧客による集約負荷の予測に重点を置いているが、個々の家電レベルでの負荷の予測に関する取り組みはほとんど行われていない。 本研究では,各家電の消費電力を効率的に予測するSTLFアルゴリズムを提案する。 提案手法は,Long Short-term memory(LSTM)と呼ばれる,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。 各アプライアンスに特有の繰り返し消費パターンがあるので、予測エラーのパターンを追跡し、過去の予測エラーを最終予測性能を改善するために使用できる。 実世界の負荷データセットの数値実験により,既存のLSTM法および他のベンチマーク手法よりも提案手法の改善が示された。

関連論文リスト

• Scaling Laws for Predicting Downstream Performance in LLMs [75.28559015477137]
  この研究は、性能評価のためのより効率的な指標として、事前学習損失に焦点を当てている。 我々は、データソース間のFLOPに基づいて、ドメイン固有の事前学習損失を予測するために、電力法解析関数を拡張した。 我々は2層ニューラルネットワークを用いて、複数のドメイン固有の損失と下流性能の非線形関係をモデル化する。
  論文  参考訳（メタデータ） (2024-10-11T04:57:48Z)
• 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)
• Short-Term Load Forecasting Using A Particle-Swarm Optimized Multi-Head Attention-Augmented CNN-LSTM Network [0.0]
  電力系統の効率的な運用と計画において、短期負荷予測が最重要となる。 ディープラーニングの最近の進歩は、この問題に対処する上で有望であることを示している。 これらの障害を克服する新しいソリューションを提案します。
  論文  参考訳（メタデータ） (2023-09-07T13:06:52Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• Privacy-preserving household load forecasting based on non-intrusive load monitoring: A federated deep learning approach [3.0584272247900577]
  まず,フェデレーション深層学習と非侵入負荷モニタリング(NILM)に基づく世帯負荷予測手法を提案する。 非侵入的負荷監視により統合電力を個別のデバイスパワーに分解し、連合ディープラーニングモデルを用いて個別のアプライアンスのパワーを別々に予測する。
  論文  参考訳（メタデータ） (2022-06-30T11:13:26Z)
• 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)
• Advanced Statistical Learning on Short Term Load Process Forecasting [13.466565318976887]
  短期負荷予測(STLF)は、電力消費者の効率的なスケジューリング、運転最適化取引、意思決定に必要である。 本研究では, ハードタイプデータセットのこれらの課題を管理するための統計非線形モデルを提案し, 最大2日前に15分間の周波数負荷を予測した。
  論文  参考訳（メタデータ） (2021-10-19T12:32:40Z)
• Random vector functional link neural network based ensemble deep learning for short-term load forecasting [14.184042046855884]
  本稿では,電力負荷予測のための新しいアンサンブルディープランダム関数リンク(edRVFL)を提案する。 隠されたレイヤは、深い表現学習を強制するために積み上げられます。 モデルは各層の出力をアンサンブルすることで予測を生成する。
  論文  参考訳（メタデータ） (2021-07-30T01:20:48Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• N-BEATS neural network for mid-term electricity load forecasting [8.430502131775722]
  提案手法は,中期電力負荷予測問題の解決に有効であることを示す。 実装と訓練は簡単で、信号前処理は不要であり、予測バイアス低減機構を備えている。 実験的な研究によると、提案されたニューラルネットワークは、正確性と予測バイアスの両方の観点から、すべての競合より明らかに優れています。
  論文  参考訳（メタデータ） (2020-09-24T21:48:08Z)

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。