Fugu-MT 論文翻訳(概要): A Hybrid Model for Forecasting Short-Term Electricity Demand

論文の概要: A Hybrid Model for Forecasting Short-Term Electricity Demand

arxiv url: http://arxiv.org/abs/2205.10449v1
Date: Fri, 20 May 2022 22:13:25 GMT
ステータス: 処理完了
システム内更新日: 2022-05-24 15:04:29.210128
Title: A Hybrid Model for Forecasting Short-Term Electricity Demand
Title（参考訳）: 短期電力需要予測のためのハイブリッドモデル
Authors: Maria Eleni Athanasopoulou, Justina Deveikyte, Alan Mosca, Ilaria Peri and Alessandro Provetti
Abstract要約: 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。
参考スコア（独自算出の注目度）: 59.372588316558826
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Currently the UK Electric market is guided by load (demand) forecasts published every thirty minutes by the regulator. A key factor in predicting demand is weather conditions, with forecasts published every hour. We present HYENA: a hybrid predictive model that combines feature engineering (selection of the candidate predictor features), mobile-window predictors and finally LSTM encoder-decoders to achieve higher accuracy with respect to mainstream models from the literature. HYENA decreased MAPE loss by 16\% and RMSE loss by 10\% over the best available benchmark model, thus establishing a new state of the art for the UK electric load (and price) forecasting.
Abstract（参考訳）: 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。需要予測の重要な要因は気象条件であり、天気予報は毎時発行される。本稿では,特徴工学(候補予測器の選定)とモバイルウィンドウ予測器,最後は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。 hyena は mape の損失を 16\% 削減し、rmse の損失を最高のベンチマークモデルよりも 10\% 削減した。

関連論文リスト

Short-Term Electricity Demand Forecasting of Dhaka City Using CNN with Stacked BiLSTM [0.471858286267785]
本稿では,ダッカ市の電力需要を短時間で正確に予測するために,畳み込みニューラルネットワーク(CNN)と積み重ねた双方向長短項メモリ(BiLSTM)アーキテクチャのハイブリッドモデルを提案する。提案手法は,MAPE 1.64%,MSE 0.015,RMSE 0.122,MAE 0.092の他のベンチマークモデルと比較して,最高の予測結果を得た。
論文参考訳（メタデータ） (2024-06-10T09:02:07Z)
Revisiting Day-ahead Electricity Price: Simple Model Save Millions [7.088576782842557]
本稿では,予測可能な需要供給値から直接価格を導出することにより,予測精度を著しく向上する簡易な断片的線形モデルを提案する。バングラデシュの山西省とISO New Englandの電力市場実験によると、こうした予測は年間数百万ドル節約できる可能性がある。
論文参考訳（メタデータ） (2024-05-20T08:27:14Z)
ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文参考訳（メタデータ） (2024-02-02T10:34:13Z)
A probabilistic forecast methodology for volatile electricity prices in the Australian National Electricity Market [0.36832029288386137]
オーストラリア国定電力市場(Australian National Electricity Market)の南オーストラリア地域は、現代の電力市場において最も高い価格変動率を示している。本稿では,これらの極端条件下での確率予測へのアプローチについて概説する。
論文参考訳（メタデータ） (2023-11-13T12:33:33Z)
Electricity Demand Forecasting with Hybrid Statistical and Machine Learning Algorithms: Case Study of Ukraine [0.0]
提案手法は2013年から2020年までのウクライナの電力消費の時間データを用いて構築された。我々のハイブリッドモデルは、時間分解能で長期電力消費を予測するのに非常に効果的である。
論文参考訳（メタデータ） (2023-04-11T12:15:50Z)
Beyond S-curves: Recurrent Neural Networks for Technology Forecasting [60.82125150951035]
我々は機械学習と時系列予測の最近の進歩を生かしたオートコーダアプローチを開発した。 S曲線予測は、単純なARIMAベースラインに匹敵する平均パーセンテージ誤差(MAPE)を示す。我々のオートエンコーダアプローチは、2番目に高い結果に対して平均13.5%改善する。
論文参考訳（メタデータ） (2022-11-28T14:16:22Z)
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)
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)
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)
A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。