論文の概要: Predicting Peak Day and Peak Hour of Electricity Demand with Ensemble Machine Learning

• arxiv url: http://arxiv.org/abs/2203.13886v1
• Date: Fri, 25 Mar 2022 19:52:24 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-29 16:05:21.312144
• Title: Predicting Peak Day and Peak Hour of Electricity Demand with Ensemble Machine Learning
• Title（参考訳）: エンサンブル機械学習による電力需要のピーク日とピーク時間予測
• Authors: Tao Fu, Huifen Zhou, Xu Ma, Z. Jason Hou, Di Wu
• Abstract要約: バッテリーエネルギー貯蔵システムは電力システムのピーク需要削減に利用でき、経済的に大きな利益をもたらす。 2つの実践的課題は,1)ピーク負荷日時を正確に決定すること,2)ディスパッチ決定のための確率的リスク対策における予測に伴う不確実性を定量化し,削減すること,である。 本研究では,1)月のピーク時間を含む次の営業日確率と,2)その日のピーク時間である1時間確率を生成するための教師付き機械学習手法を開発する。
• 参考スコア（独自算出の注目度）: 5.563710632357777
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Battery energy storage systems can be used for peak demand reduction in power systems, leading to significant economic benefits. Two practical challenges are 1) accurately determining the peak load days and hours and 2) quantifying and reducing uncertainties associated with the forecast in probabilistic risk measures for dispatch decision-making. In this study, we develop a supervised machine learning approach to generate 1) the probability of the next operation day containing the peak hour of the month and 2) the probability of an hour to be the peak hour of the day. Guidance is provided on the preparation and augmentation of data as well as the selection of machine learning models and decision-making thresholds. The proposed approach is applied to the Duke Energy Progress system and successfully captures 69 peak days out of 72 testing months with a 3% exceedance probability threshold. On 90% of the peak days, the actual peak hour is among the 2 hours with the highest probabilities.
• Abstract（参考訳）: バッテリーエネルギー貯蔵システムは電力システムのピーク需要削減に利用でき、経済的に大きな利益をもたらす。 2つの実践的課題 1)ピーク負荷日時及び時刻を正確に判定する。 2 派遣決定の確率的リスク対策における予測に係る不確実性の定量化及び低減 本研究では,教師付き機械学習による生成手法を開発する。 1 月のピーク時を含む次の営業日の発生確率及び 2)1時間の確率は、その日のピーク時である。 データの準備と強化、および機械学習モデルの選択と意思決定しきい値の選択に関するガイダンスが提供される。 提案手法はデューク・エナジー・プログレス(Duke Energy Progress)システムに適用され、72ヶ月中69日間のピークを3%超の確率閾値で達成した。 ピーク日の90%では、実際のピークアワーは最大確率の2時間のうちの1時間である。

関連論文リスト

• Any-Quantile Probabilistic Forecasting of Short-Term Electricity Demand [8.068451210598678]
  電力システムは、決定論的に説明できない複数の要因から生じる不確実性の下で運用される。 ディープラーニングの最近の進歩は、ポイント予測の精度を大幅に向上させるのに役立っている。 任意の量子を予測できる分布予測のための新しい一般手法を提案する。
  論文  参考訳（メタデータ） (2024-04-26T14:43:19Z)
• Predicting Overtakes in Trucks Using CAN Data [51.28632782308621]
  CANデータからトラックの積載量の検出について検討する。 私たちの分析では、オーバーテイクイベントの最大10秒前をカバーしています。 我々は、オーバーテイク・トリガーに近づくと、オーバーテイク・クラスの予測スコアが増加する傾向にあることを観察する。
  論文  参考訳（メタデータ） (2024-04-08T17:58:22Z)
• Deep Learning-Based Weather-Related Power Outage Prediction with Socio-Economic and Power Infrastructure Data [4.4121133971424165]
  本稿では,企業サービス領域を含むセンサストラクタにおける時間ごとの停電確率予測のためのディープラーニングに基づくアプローチを提案する。 2つの異なる深層学習モデル、条件付きマルチ層パーセプトロン(MLP)と非条件付きモデルを開発し、停電確率を予測した。 以上の結果から,センサスレベルでの停電予測の精度を高める上で,社会経済的要因の重要性が示唆された。
  論文  参考訳（メタデータ） (2024-04-03T23:38:31Z)
• Combining predictive distributions of electricity prices: Does minimizing the CRPS lead to optimal decisions in day-ahead bidding? [0.0]
  本研究では,新しい重み付け手法であるCRPS学習を用いることで,日頭入札における最適決定が導かれるかどうかを検討する。 アンサンブルの多様性の増大は精度に肯定的な影響を与える可能性がある。 分布の等重集約と比較してCRPS学習を使用する場合の計算コストは、高い利益によって相殺されない。
  論文  参考訳（メタデータ） (2023-08-29T17:10:38Z)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• 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)
• Regularization methods for the short-term forecasting of the Italian electric load [77.34726150561087]
  イタリアの電力負荷の24のプロファイル全体を予測する問題はマルチタスク学習問題として対処される。 96x96行列重みは96x96行列を形成し、正方形の領域にサンプリングされた表面として見ることができる。 表面の自由度を下げるための規則化とスパーシリティの異なるアプローチを探索し、得られた予測をイタリアのトランスミッション・システム・オペレーター・テルナの予測と比較した。
  論文  参考訳（メタデータ） (2021-12-08T22:15:06Z)
• Electrical peak demand forecasting- A review [7.5337868245858255]
  本稿では,本論文におけるピーク負荷予測手法の概要について概説する。 本稿では,まず,ピーク負荷需要予測の正確かつ統一的な問題定義について述べる。 第2に,ピーク負荷予測手法に関する139の論文を体系的にレビューした。 第3に,ピーク負荷予測手法の比較分析を要約し,予測性能を改善するための最適化手法について述べる。
  論文  参考訳（メタデータ） (2021-08-03T10:04:33Z)
• The impact of online machine-learning methods on long-term investment decisions and generator utilization in electricity markets [69.68068088508505]
  電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。 最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。 また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
  論文  参考訳（メタデータ） (2021-03-07T11:28:54Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• A unified machine learning approach to time series forecasting applied to demand at emergency departments [1.7119367122421556]
  2019年にはイングランドの救急省(ED)に2560万人が出席しており、過去10年間で1200万人が出席した。 我々は,最高の演奏時系列と機械学習アプローチの結果を組み合わせた,新しいアンサンブル手法を開発した。 平均絶対誤差は, 平均絶対誤差が6.8%, 平均絶対誤差が8.6%であった。
  論文  参考訳（メタデータ） (2020-07-13T07:59:24Z)

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。