論文の概要: Deep Learning for Short-term Instant Energy Consumption Forecasting in
the Manufacturing Sector
- arxiv url: http://arxiv.org/abs/2207.01595v1
- Date: Mon, 4 Jul 2022 17:27:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-05 15:36:06.254662
- Title: Deep Learning for Short-term Instant Energy Consumption Forecasting in
the Manufacturing Sector
- Title（参考訳）: 製造業における短期的インスタントエネルギー消費予測の深層学習
- Authors: Nuno Oliveira, Norberto Sousa and Isabel Pra\c{c}a
- Abstract要約: この研究は、製造セクター内の実際のテストベッドにおいて、いくつかのディープラーニングアルゴリズム、LSTM、CNN、CNN-LSTMとTCNのパフォーマンスを適用、比較する。
実験結果から,TCNは短期的なエネルギー消費を予測する最も信頼性の高い手法であることが示唆された。
- 参考スコア（独自算出の注目度）: 0.3867363075280543
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Electricity is a volatile power source that requires great planning and
resource management for both short and long term. More specifically, in the
short-term, accurate instant energy consumption forecasting contributes greatly
to improve the efficiency of buildings, opening new avenues for the adoption of
renewable energy. In that regard, data-driven approaches, namely the ones based
on machine learning, are begin to be preferred over more traditional ones since
they provide not only more simplified ways of deployment but also state of the
art results. In that sense, this work applies and compares the performance of
several deep learning algorithms, LSTM, CNN, mixed CNN-LSTM and TCN, in a real
testbed within the manufacturing sector. The experimental results suggest that
the TCN is the most reliable method for predicting instant energy consumption
in the short-term.
- Abstract（参考訳）: 電気は不安定な電源であり、短期および長期にわたって優れた計画と資源管理を必要とする。
より具体的には、短期的かつ正確な瞬時エネルギー消費量予測は、建物の効率向上に大きく寄与し、再生可能エネルギーの導入のための新しい道を開く。
その点において、データ駆動アプローチ、すなわち機械学習に基づくアプローチは、より簡単なデプロイメント方法だけでなく、成果の状態も提供するため、従来のものよりも好まれるようになった。
その意味で、この研究は、製造セクター内の実際のテストベッドにおいて、複数のディープラーニングアルゴリズム、LSTM、CNN、CNN-LSTM、TCNのパフォーマンスを適用、比較する。
実験結果から,TCNは短期的なエネルギー消費を予測する最も信頼性の高い手法であることが示唆された。
関連論文リスト
- Fast and interpretable electricity consumption scenario generation for individual consumers [0.0]
予測クラスタリング木(PCT)に基づく高速かつ解釈可能なシナリオ生成手法を提案する。
提案手法は, トレーニングや予測において, 少なくとも7倍の精度で, 最先端の時系列を生成する。
論文 参考訳（メタデータ） (2024-10-23T13:41:58Z) - Just In Time Transformers [2.7350304370706797]
JITtransは,エネルギー消費予測精度を大幅に向上させる,トランスフォーマー深層学習モデルである。
本研究は, エネルギー管理を革新し, 持続可能な電力システムを構築するための先進的な予測技術の可能性を明らかにするものである。
論文 参考訳（メタデータ） (2024-10-22T10:33:00Z) - Exploring the Privacy-Energy Consumption Tradeoff for Split Federated Learning [51.02352381270177]
Split Federated Learning (SFL)は、最近、有望な分散学習技術として登場した。
SFLにおけるカット層の選択は、クライアントのエネルギー消費とプライバシに大きな影響を与える可能性がある。
本稿では、SFLプロセスの概要を概観し、エネルギー消費とプライバシを徹底的に分析する。
論文 参考訳（メタデータ） (2023-11-15T23:23:42Z) - Electricity Demand Forecasting through Natural Language Processing with
Long Short-Term Memory Networks [0.5432724320036955]
この研究は、公共の感情と、輸送と地政学に関連する単語ベクトル表現が、電力需要に時間的連続性をもたらすことを発見した。
提案モデルは,信頼区間を狭め,予測分布を真に近づけることで,予測の不確かさを効果的に低減する。
論文 参考訳（メタデータ） (2023-09-13T08:28:16Z) - Distributed Energy Management and Demand Response in Smart Grids: A
Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。
特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
論文 参考訳（メタデータ） (2022-11-29T01:18:58Z) - Effective Pre-Training Objectives for Transformer-based Autoencoders [97.99741848756302]
トランスフォーマーエンコーダの効率,コスト,精度のトレードオフについて検討する。
共通の目的の機能を組み合わせて、新しい効果的な事前学習アプローチを作成します。
論文 参考訳（メタデータ） (2022-10-24T18:39:44Z) - 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) - Online learning of windmill time series using Long Short-term Cognitive
Networks [58.675240242609064]
風車農場で生成されたデータの量は、オンライン学習が従うべき最も有効な戦略となっている。
我々はLong Short-term Cognitive Networks (LSTCNs) を用いて、オンライン環境での風車時系列を予測する。
提案手法は,単純なRNN,長期記憶,Gated Recurrent Unit,Hidden Markov Modelに対して最も低い予測誤差を報告した。
論文 参考訳（メタデータ） (2021-07-01T13:13:24Z) - Probabilistic Solar Power Forecasting: Long Short-Term Memory Network vs
Simpler Approaches [0.2867517731896504]
この記事では、長期記憶ニューラルネットワークと他のより単純なアプローチの比較を紹介します。
この論文は、2014年のGlobal Energy Forecasting Competitionで提供されたオープンソースのデータセットを利用している。
論文 参考訳（メタデータ） (2021-01-20T18:13:07Z) - Demand Responsive Dynamic Pricing Framework for Prosumer Dominated
Microgrids using Multiagent Reinforcement Learning [59.28219519916883]
本稿では,実時間価格(RTP)DR技術を実装したマルチエージェント強化学習に基づく意思決定環境を提案する。
提案手法は,従来のDR法に共通するいくつかの欠点に対処し,グリッド演算子とプロシューマーに大きな経済的利益をもたらす。
論文 参考訳（メタデータ） (2020-09-23T01:44:57Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z)
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。