論文の概要: Reconstruction of Long-Term Historical Demand Data
- arxiv url: http://arxiv.org/abs/2209.04693v1
- Date: Sat, 10 Sep 2022 15:27:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-13 14:00:33.391611
- Title: Reconstruction of Long-Term Historical Demand Data
- Title（参考訳）: 長期的歴史的需要データの再構築
- Authors: Reshmi Ghosh, Michael Craig, H.Scott Matthews, Constantine Samaras,
Laure Berti-Equille
- Abstract要約: 我々は,機械学習とディープラーニングの「バック・プレキャスト」モデルを開発することにより,電力システムの技術・政策開発プロセスの改善を目指す。
米国における気温の空間的・時間的変動を理解することにより、自然変動に対する需要と気候変動に関連する温度への影響を分離することができる。
- 参考スコア（独自算出の注目度）: 0.9449650062296824
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Long-term planning of a robust power system requires the understanding of
changing demand patterns. Electricity demand is highly weather sensitive. Thus,
the supply side variation from introducing intermittent renewable sources,
juxtaposed with variable demand, will introduce additional challenges in the
grid planning process. By understanding the spatial and temporal variability of
temperature over the US, the response of demand to natural variability and
climate change-related effects on temperature can be separated, especially
because the effects due to the former factor are not known. Through this
project, we aim to better support the technology & policy development process
for power systems by developing machine and deep learning 'back-forecasting'
models to reconstruct multidecadal demand records and study the natural
variability of temperature and its influence on demand.
- Abstract（参考訳）: 強固な電力システムの長期計画には需要変化のパターンを理解する必要がある。
電力需要は非常に天候に敏感である。
したがって、供給側の変動は、需要の変動に富んだ断続的な再生可能資源の導入から生じ、グリッド計画プロセスに新たな課題をもたらすことになる。
米国における温度の空間的および時間的変動を理解することにより、特に前者の要因による影響が分かっていないため、自然変動と気候変動関連の影響に対する需要の反応を分離することができる。
本研究は,多分野の需要記録を再構築し,温度の自然変動とその需要への影響を研究するために,機械学習とディープラーニングの「バックフォアキャスティング」モデルを開発することにより,電力システムの技術・政策開発プロセスをより良く支援することを目的としている。
関連論文リスト
- Hiformer: Hybrid Frequency Feature Enhancement Inverted Transformer for Long-Term Wind Power Prediction [6.936415534357298]
ハイブリット周波数特徴強調変換器(ハイフォーマ)という新しい手法を提案する。
Hiformerは、気象条件と風力発電の相関関係のモデリングを強化するために、信号分解技術と気象特徴抽出技術を統合する。
最先端の手法と比較して、(i)予測精度を最大52.5%向上させ、(ii)計算時間を最大68.5%削減することができる。
論文 参考訳（メタデータ） (2024-10-17T08:00:36Z) - Automated Spatio-Temporal Weather Modeling for Load Forecasting [0.0]
電力は伝統的に、需要と断続的な生産(風、太陽)と整合性のある生産(水素、核、石炭、ガス)を予想して管理される。
どちらも気象変数(温度、風、日光)に大きく依存している。
気象観測所からの観測や気象モデルからのシミュレーションデータへのアクセスにより、どちらの現象もモデル化できると信じている。
論文 参考訳（メタデータ） (2024-09-23T06:55:57Z) - Short-Term Electricity-Load Forecasting by Deep Learning: A Comprehensive Survey [21.781972510427263]
短期電力需要予測は、電力システムの即時需要(今後数時間から数日)を予測することを指す。
気象の変化や新しい電力消費シナリオの出現など、さまざまな外部要因が電力需要に影響を与える可能性がある。
深層学習はSTELFに適用され、高精度な電力需要のモデル化と予測を行っている。
論文 参考訳（メタデータ） (2024-08-29T01:47:09Z) - Incorporating climate change effects into the European power system
adequacy assessment using a post-processing method [0.0]
電力システムの需給バランスは、基本的に気候条件と結びついている。
本研究の目的は、気候変動が欧州の電力システム、特に長期的信頼性に与える影響をモデル化することである。
論文 参考訳（メタデータ） (2024-02-26T21:44:36Z) - Comparing Data-Driven and Mechanistic Models for Predicting Phenology in
Deciduous Broadleaf Forests [47.285748922842444]
我々は、気象時系列から表現指標を予測するために、ディープニューラルネットワークを訓練する。
このアプローチは従来のプロセスベースのモデルよりも優れています。
論文 参考訳（メタデータ） (2024-01-08T15:29:23Z) - 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) - Multi-scale Digital Twin: Developing a fast and physics-informed
surrogate model for groundwater contamination with uncertain climate models [53.44486283038738]
気候変動は地下水汚染の長期的な土壌管理問題を悪化させる。
U-Net強化フーリエニューラル汚染(PDENO)を用いた物理インフォームド機械学習サロゲートモデルを開発した。
並行して、気候データと組み合わされた畳み込みオートエンコーダを開発し、アメリカ合衆国全体の気候領域の類似性の次元を減少させる。
論文 参考訳（メタデータ） (2022-11-20T06:46:35Z) - Autoformer: Decomposition Transformers with Auto-Correlation for
Long-Term Series Forecasting [68.86835407617778]
Autoformerは、Auto-Correlation機構を備えた、新しい分解アーキテクチャである。
長期的な予測では、Autoformerは6つのベンチマークで相対的に改善され、最先端の精度が得られる。
論文 参考訳（メタデータ） (2021-06-24T13:43:43Z) - Investigating Underlying Drivers of Variability in Residential Energy
Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。
本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
論文 参考訳（メタデータ） (2021-02-16T16:56:27Z) - Data-driven control of micro-climate in buildings: an event-triggered
reinforcement learning approach [56.22460188003505]
半マルコフ決定過程に基づく微小気候制御問題を定式化する。
建物内の微小気候のイベントトリガー制御のための2つの学習アルゴリズムを提案する。
スマートなサーモスタットを設計することで,提案手法の有効性を示す。
論文 参考訳（メタデータ） (2020-01-28T18:20:43Z)
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。