論文の概要: Short-term Multi-horizon Residential Electric Load Forecasting using
Deep Learning and Signal Decomposition Methods
- arxiv url: http://arxiv.org/abs/2202.03264v1
- Date: Tue, 1 Feb 2022 08:57:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-14 00:17:52.225719
- Title: Short-term Multi-horizon Residential Electric Load Forecasting using
Deep Learning and Signal Decomposition Methods
- Title（参考訳）: 深層学習と信号分解法を用いた短期多層住宅電力負荷予測
- Authors: Mohamed Aymane Ahajjam, Daniel Bonilla Licea, Mounir Ghogho,
Abdellatif Kobbane
- Abstract要約: 本研究では,負荷予測問題の精度向上を目的として,変分モード分解とディープラーニング技術の利用について検討する。
原荷重プロファイルは、まず変分モード分解を用いて固有モード関数に分解される。
異なる固有モード関数に関連する予測シーケンスを組み合わせて集約予測シーケンスを形成する。
- 参考スコア（独自算出の注目度）: 8.040519720237796
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With the booming growth of advanced digital technologies, it has become
possible for users as well as distributors of energy to obtain detailed and
timely information about the electricity consumption of households. These
technologies can also be used to forecast the household's electricity
consumption (a.k.a. the load). In this paper, we investigate the use of
Variational Mode Decomposition and deep learning techniques to improve the
accuracy of the load forecasting problem. Although this problem has been
studied in the literature, selecting an appropriate decomposition level and a
deep learning technique providing better forecasting performance have garnered
comparatively less attention. This study bridges this gap by studying the
effect of six decomposition levels and five distinct deep learning networks.
The raw load profiles are first decomposed into intrinsic mode functions using
the Variational Mode Decomposition in order to mitigate their non-stationary
aspect. Then, day, hour, and past electricity consumption data are fed as a
three-dimensional input sequence to a four-level Wavelet Decomposition Network
model. Finally, the forecast sequences related to the different intrinsic mode
functions are combined to form the aggregate forecast sequence. The proposed
method was assessed using load profiles of five Moroccan households from the
Moroccan buildings' electricity consumption dataset (MORED) and was benchmarked
against state-of-the-art time-series models and a baseline persistence model.
- Abstract（参考訳）: 先進的なデジタル技術の急成長に伴い、家庭の電力消費に関する詳細かつタイムリーな情報を得ることができるようになった。
これらの技術は家庭の電力消費量(すなわち負荷)を予測するのにも使うことができる。
本稿では,変動モード分解法と深層学習法を用いて,負荷予測問題の精度を向上させる手法について検討する。
この問題は文献で研究されているが、適切な分解レベルとより良い予測性能を提供するディープラーニング技術の選択は、比較的注目されていない。
この研究は、6つの分解レベルと5つの異なるディープラーニングネットワークの効果を研究することで、このギャップを埋める。
原負荷プロファイルは、まず変動モード分解を用いて本質モード関数に分解され、非定常的な側面を緩和する。
そして、4レベルウェーブレット分解ネットワークモデルに3次元入力シーケンスとして、日、時間、過去の電力消費データを供給する。
最後に、異なる固有モード関数に関連する予測シーケンスを結合して集約予測シーケンスを形成する。
提案手法は,モロッコの5世帯の電力消費データセット(MORED)の負荷プロファイルを用いて評価し,現状の時系列モデルとベースラインの持続性モデルと比較した。
関連論文リスト
- Causal Deciphering and Inpainting in Spatio-Temporal Dynamics via Diffusion Model [45.45700202300292]
CaPaintは2段階のプロセスで因果推論能力を備えたデータとエンドウモデルの因果領域を特定することを目的としている。
微調整未条件拡散確率モデル(DDPM)を生成前として, 環境成分として定義されたマスクを埋め込む。
5つの実世界のSTベンチマークで実施された実験は、CaPaintの概念の統合により、モデルが4.3%から77.3%の改善を達成できることを示した。
論文 参考訳（メタデータ） (2024-09-29T08:18:50Z) - 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) - Interpretable Short-Term Load Forecasting via Multi-Scale Temporal
Decomposition [3.080999981940039]
本稿では,ニューラルネットワークの線形結合を学習し,それぞれが入力時間の特徴に付随する解釈可能なディープラーニング手法を提案する。
ケーススタディはベルギーの中央グリッド負荷データセット上で実施されており、提案モデルは頻繁に適用されるベースラインモデルよりも精度がよいことを示した。
論文 参考訳（メタデータ） (2024-02-18T17:55:59Z) - Secure short-term load forecasting for smart grids with
transformer-based federated learning [0.0]
電力負荷予測は、需要と供給収支を補助するスマートグリッドの中で不可欠なタスクである。
きめ細かい負荷プロファイルは、ユーザの消費電力の挙動を公開できるため、プライバシやセキュリティ上の懸念が高まる。
本稿では,短期電力負荷予測のためのフェデレーション学習を用いた変圧器を用いた新しい深層学習手法を提案する。
論文 参考訳（メタデータ） (2023-10-26T15:27:55Z) - Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳（メタデータ） (2023-09-12T13:28:06Z) - 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) - Appliance Level Short-term Load Forecasting via Recurrent Neural Network [6.351541960369854]
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。
論文 参考訳（メタデータ） (2021-11-23T16:56:37Z) - 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) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - Short-Term Load Forecasting using Bi-directional Sequential Models and
Feature Engineering for Small Datasets [6.619735628398446]
本稿では,双方向逐次モデルに基づく短期負荷予測のためのディープラーニングアーキテクチャを提案する。
提案したアーキテクチャでは、生の入力と手作りの特徴を異なるレベルで訓練し、それぞれの出力を組み合わせて最終的な予測を行う。
提案手法の有効性は, 全く異なるパターンを持つ5カ国のデータセットを用いて評価した。
論文 参考訳（メタデータ） (2020-11-28T14:11:35Z) - 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)
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。