論文の概要: Wholesale Electricity Price Forecasting using Integrated Long-term Recurrent Convolutional Network Model

• arxiv url: http://arxiv.org/abs/2112.13681v1
• Date: Thu, 23 Dec 2021 06:45:12 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-28 17:53:02.251229
• Title: Wholesale Electricity Price Forecasting using Integrated Long-term Recurrent Convolutional Network Model
• Title（参考訳）: 長期リカレント畳み込みネットワークモデルを用いた全売電力価格予測
• Authors: Vasudharini Sridharan, Mingjian Tuo, and Xingpeng Li
• Abstract要約: 本稿では、電力価格を予測するための長期再帰畳み込みネットワーク(ILRCN)モデルを提案する。 ケーススタディでは、提案したILRCNモデルが電気価格予測において正確かつ効率的であることが判明した。
• 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: Electricity price is a key factor affecting the decision-making for all market participants. Accurate forecasting of electricity prices is very important and is also very challenging since electricity price is highly volatile due to various factors. This paper proposes an integrated long-term recurrent convolutional network (ILRCN) model to predict electricity prices considering the majority contributing attributes to the market price as input. The proposed ILRCN model combines the functionalities of convolutional neural network and long short-term memory (LSTM) algorithm along with the proposed novel conditional error correction term. The combined ILRCN model can identify the linear and non-linear behavior within the input data. We have used ERCOT wholesale market price data along with load profile, temperature, and other factors for the Houston region to illustrate the proposed model. The performance of the proposed ILRCN electricity price forecasting model is verified using performance/evaluation metrics like mean absolute error and accuracy. Case studies reveal that the proposed ILRCN model is accurate and efficient in electricity price forecasting as compared to the support vector machine (SVM) model, fully-connected neural network model, LSTM model and the LRCN model without the conditional error correction stage.
• Abstract（参考訳）: 電力価格が市場参加者全員の意思決定に影響を及ぼす重要な要因である。 電気価格の正確な予測は非常に重要であり、様々な要因により電気価格が非常に不安定であるため非常に困難である。 本稿では,市場価格に最も寄与する属性を入力として,電力価格を予測するための長期再帰畳み込みネットワーク(ILRCN)モデルを提案する。 提案するILRCNモデルでは,畳み込みニューラルネットワークと長短期メモリ(LSTM)アルゴリズムの機能と,新しい条件付き誤り訂正項を組み合わせる。 ilrcnモデルは入力データ内の線形および非線形挙動を識別することができる。 ERCOTの市場価格データと負荷分布,温度,その他の要因を用いて,提案モデルについて検討した。 提案するilrcn電力価格予測モデルの性能は、平均絶対誤差や精度などの性能評価指標を用いて検証される。 ケーススタディにより,提案したILRCNモデルは,SVMモデル,完全接続型ニューラルネットワークモデル,LSTMモデル,LRCNモデルと比較して,条件付き誤差補正を行わず,電気価格予測において正確かつ効率的であることが判明した。

関連論文リスト

• Application of Deep Learning for Factor Timing in Asset Management [21.212548040046133]
  より柔軟なモデルは、目に見えない期間の係数プレミアムのばらつきを説明するのにより良いパフォーマンスを持つ。 ニューラルネットワークのような柔軟なモデルでは、予測に基づく最適な重み付けは不安定である傾向がある。 我々は、過去の最適再バランス方式によるリバランス頻度の傾きが、取引コストの削減に役立つことを検証した。
  論文  参考訳（メタデータ） (2024-04-27T21:57:17Z)
• Fast-ELECTRA for Efficient Pre-training [83.29484808667532]
  ELECTRAは補助モデルに置き換えられたシーケンス内のトークンを検出して、言語モデルを事前訓練する。 本稿では,既存の言語モデルを補助モデルとして活用したFast-ELECTRAを提案する。 提案手法は,最先端のELECTRA型事前学習手法の性能に匹敵するが,補助モデルの連成学習による計算とメモリコストは著しく削減される。
  論文  参考訳（メタデータ） (2023-10-11T09:55:46Z)
• Probabilistic Forecasting of Day-Ahead Electricity Prices and their Volatility with LSTMs [0.0]
  本稿では,ドイツ・ルクセンブルクの日頭電力価格に対するLong Short-Term Memory(LSTM)モデルを提案する。 LSTMの繰り返し構造は傾向に適応し、平均偏差と標準偏差の合同予測は確率的予測を可能にする。 物理学に着想を得たアプローチである超統計学を用いて、LSTMモデルは価格とボラティリティの両方を忠実に再現することを示す。
  論文  参考訳（メタデータ） (2023-10-05T06:47:28Z)
• 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)
• 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)
• Predictive Accuracy of a Hybrid Generalized Long Memory Model for Short Term Electricity Price Forecasting [0.0]
  本研究では、一般化長メモリ自己回帰モデル(k-factor GARMA)に基づく新しいハイブリッドモデルの予測性能について検討する。 提案モデルの性能を北プール電力市場のデータを用いて評価した。
  論文  参考訳（メタデータ） (2022-04-18T12:21:25Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• Physics-informed CoKriging model of a redox flow battery [68.8204255655161]
  レドックスフロー電池(RFB)は、大量のエネルギーを安価かつ効率的に貯蔵する機能を提供する。 RFBの充電曲線の高速かつ正確なモデルが必要であり、バッテリ容量と性能が向上する可能性がある。 RFBの電荷分配曲線を予測する多相モデルを構築した。
  論文  参考訳（メタデータ） (2021-06-17T00:49:55Z)
• Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
  我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。 トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
  論文  参考訳（メタデータ） (2020-10-27T17:54:12Z)
• Hybrid Modelling Approaches for Forecasting Energy Spot Prices in EPEC market [62.997667081978825]
  EPEC市場におけるエネルギースポット価格予測のためのハイブリッドモデリング手法について検討する。 データは2013-2014年の電力価格、2015年のテストデータで提供された。
  論文  参考訳（メタデータ） (2020-10-14T12:45:53Z)
• Deep Convolutional Neural Network Model for Short-Term Electricity Price Forecasting [0.0]
  エネルギー市場における時間的予測を迅速に行うために,新しい畳み込みニューラルネットワーク(CNN)を提案する。 提案手法を既存手法と比較した結果,提案手法は優れた結果を得た。
  論文  参考訳（メタデータ） (2020-03-12T06:06:18Z)

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。