論文の概要: Cascaded Deep Hybrid Models for Multistep Household Energy Consumption
Forecasting
- arxiv url: http://arxiv.org/abs/2207.02589v1
- Date: Wed, 6 Jul 2022 11:02:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-07 15:04:07.063910
- Title: Cascaded Deep Hybrid Models for Multistep Household Energy Consumption
Forecasting
- Title（参考訳）: 多段階世帯エネルギー消費予測のためのカスケード型ディープハイブリッドモデル
- Authors: Lyes Saad Saoud, Hasan AlMarzouqi, Ramy Hussein
- Abstract要約: 本研究は,多段階家庭電力消費予測のための2つのハイブリッドキャスケードモデルを提案する。
提案したハイブリッドモデルでは,既存のマルチステップ電力消費予測手法よりも優れた予測性能が得られる。
- 参考スコア（独自算出の注目度）: 5.478764356647437
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Sustainability requires increased energy efficiency with minimal waste. The
future power systems should thus provide high levels of flexibility iin
controling energy consumption. Precise projections of future energy demand/load
at the aggregate and on the individual site levels are of great importance for
decision makers and professionals in the energy industry. Forecasting energy
loads has become more advantageous for energy providers and customers, allowing
them to establish an efficient production strategy to satisfy demand. This
study introduces two hybrid cascaded models for forecasting multistep household
power consumption in different resolutions. The first model integrates
Stationary Wavelet Transform (SWT), as an efficient signal preprocessing
technique, with Convolutional Neural Networks and Long Short Term Memory
(LSTM). The second hybrid model combines SWT with a self-attention based neural
network architecture named transformer. The major constraint of using
time-frequency analysis methods such as SWT in multistep energy forecasting
problems is that they require sequential signals, making signal reconstruction
problematic in multistep forecasting applications.The cascaded models can
efficiently address this problem through using the recursive outputs.
Experimental results show that the proposed hybrid models achieve superior
prediction performance compared to the existing multistep power consumption
prediction methods. The results will pave the way for more accurate and
reliable forecasting of household power consumption.
- Abstract（参考訳）: 持続可能性には、最小限の廃棄物でエネルギー効率を高める必要がある。
将来の電力システムは、エネルギー消費を制御するため、高いレベルの柔軟性を提供するべきである。
エネルギー産業における意思決定者や専門家にとって、集約および個々のサイトレベルでの将来のエネルギー需要/負荷の正確な予測は、非常に重要である。
エネルギー供給者や顧客にとってエネルギー負荷の予測はより有利になり、需要を満たす効率的な生産戦略を確立することができる。
本研究は,多段階家庭電力消費予測のための2つのハイブリッドキャスケードモデルを提案する。
最初のモデルは、効率的な信号前処理技術である静止ウェーブレット変換(SWT)と、畳み込みニューラルネットワークとLong Short Term Memory(LSTM)を統合している。
2つ目のハイブリッドモデルでは、swtとtransformerという自己結合ベースのニューラルネットワークアーキテクチャを組み合わせる。
多段階エネルギー予測問題においてSWTのような時間周波数解析手法を用いる主な制約は、シーケンシャル信号を必要とするため、多段階エネルギー予測アプリケーションでは信号再構成が問題となることである。
実験の結果,提案手法は従来のマルチステップ電力消費予測手法よりも優れた予測性能が得られることがわかった。
結果は、家庭用電力消費のより正確で信頼性の高い予測方法となるだろう。
関連論文リスト
- Energy-Aware Dynamic Neural Inference [39.04688735618206]
エネルギーハーベスターと有限容量エネルギーストレージを備えたオンデバイス適応型推論システムを提案する。
環境エネルギーの速度が増加するにつれて、エネルギー・信頼性を考慮した制御方式は精度を約5%向上させることが示されている。
我々は、信頼性を意識し、認識できないコントローラを理論的に保証する原則的なポリシーを導出する。
論文 参考訳（メタデータ） (2024-11-04T16:51:22Z) - Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。
これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。
本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
論文 参考訳（メタデータ） (2024-04-17T02:04:10Z) - AI-Powered Predictions for Electricity Load in Prosumer Communities [0.0]
本稿では,人工知能を用いた短期負荷予測手法を提案する。
その結果、(負荷予測タスクに適応した)持続的項と回帰的項の組み合わせは、最高の予測精度が得られることがわかった。
論文 参考訳（メタデータ） (2024-02-21T12:23:09Z) - Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。
マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。
シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文 参考訳（メタデータ） (2023-09-16T11:37:23Z) - Forecasting the steam mass flow in a powerplant using the parallel
hybrid network [0.0]
本研究では,パラメタライズド量子回路と従来のフィードフォワードニューラルネットワークを組み合わせた並列ハイブリッドニューラルネットワークアーキテクチャを提案する。
その結果、並列ハイブリッドモデルは、スタンドアロンの古典的および量子的モデルよりも優れていた。
論文 参考訳（メタデータ） (2023-07-18T17:59:25Z) - Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal
Transformer [112.12271800369741]
風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。
正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。
既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
論文 参考訳（メタデータ） (2023-05-30T04:03:15Z) - Stochastic MPC for energy hubs using data driven demand forecasting [4.033600628443366]
エネルギーハブは、複数の変換および記憶部品を介して異なるエネルギー入力を組み合わせることでエネルギー資源を変換し、分配する。
エネルギーハブの最適操作は、その柔軟性を利用してエネルギー効率を高め、運用コストを削減する。
本稿では,不確実な電力需要と熱需要に対するリスク制約を用いて,エネルギーコストを最小化するMPCコントローラを提案する。
論文 参考訳（メタデータ） (2023-04-24T20:24:07Z) - Short-term Prediction of Household Electricity Consumption Using
Customized LSTM and GRU Models [5.8010446129208155]
本稿では,GRU (Gated Recurrent Unit) とLong Short-Term Memory (LSTM) アーキテクチャを提案する。
電力消費データセットは家庭ごとのスマートメーターから得られた。
論文 参考訳（メタデータ） (2022-12-16T23:42:57Z) - 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) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z) - NeurOpt: Neural network based optimization for building energy
management and climate control [58.06411999767069]
モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。
イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
論文 参考訳（メタデータ） (2020-01-22T00:51:03Z)
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。