論文の概要: Solar Power Time Series Forecasting Utilising Wavelet Coefficients
- arxiv url: http://arxiv.org/abs/2210.00269v1
- Date: Sat, 1 Oct 2022 13:02:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 16:18:50.792423
- Title: Solar Power Time Series Forecasting Utilising Wavelet Coefficients
- Title（参考訳）: ウェーブレット係数を利用した太陽電力時系列予測
- Authors: Sarah Almaghrabi, Mashud Rana, Margaret Hamilton and Mohammad Saiedur
Rahaman
- Abstract要約: 本研究の目的は、単一単純化モデルを用いた新しい手法を提案することにより、ウェーブレット変換(WT)の適用効率を向上させることである。
時系列とそのウェーブレット変換(WT)係数が与えられたとき、その係数を特徴として、元の時系列をラベルとして訓練する。
提案手法は、2つの実世界のデータセットから17ヶ月の集束太陽太陽光発電(PV)電力データを用いて評価される。
- 参考スコア（独自算出の注目度）: 0.8602553195689513
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate and reliable prediction of Photovoltaic (PV) power output is
critical to electricity grid stability and power dispatching capabilities.
However, Photovoltaic (PV) power generation is highly volatile and unstable due
to different reasons. The Wavelet Transform (WT) has been utilised in time
series applications, such as Photovoltaic (PV) power prediction, to model the
stochastic volatility and reduce prediction errors. Yet the existing Wavelet
Transform (WT) approach has a limitation in terms of time complexity. It
requires reconstructing the decomposed components and modelling them separately
and thus needs more time for reconstruction, model configuration and training.
The aim of this study is to improve the efficiency of applying Wavelet
Transform (WT) by proposing a new method that uses a single simplified model.
Given a time series and its Wavelet Transform (WT) coefficients, it trains one
model with the coefficients as features and the original time series as labels.
This eliminates the need for component reconstruction and training numerous
models. This work contributes to the day-ahead aggregated solar Photovoltaic
(PV) power time series prediction problem by proposing and comprehensively
evaluating a new approach of employing WT. The proposed approach is evaluated
using 17 months of aggregated solar Photovoltaic (PV) power data from two
real-world datasets. The evaluation includes the use of a variety of prediction
models, including Linear Regression, Random Forest, Support Vector Regression,
and Convolutional Neural Networks. The results indicate that using a
coefficients-based strategy can give predictions that are comparable to those
obtained using the components-based approach while requiring fewer models and
less computational time.
- Abstract（参考訳）: 太陽光発電(PV)発電の正確かつ信頼性の高い予測は電力グリッドの安定性と送電能力に不可欠である。
しかし、太陽光発電(PV)発電は様々な理由で非常に揮発性で不安定である。
ウェーブレット変換(WT)は、確率的ボラティリティをモデル化し、予測誤差を低減するために、太陽光発電(PV)電力予測などの時系列アプリケーションで利用されてきた。
しかし、既存のWavelet Transform(WT)アプローチは、時間的複雑さの点で制限がある。
分解されたコンポーネントを再構築し、個別にモデリングする必要があるため、再構築やモデル構成、トレーニングにより多くの時間が必要です。
本研究の目的は,単一単純化モデルを用いた新しい手法を提案することで,ウェーブレット変換(wt)の適用効率を向上させることである。
時系列とそのウェーブレット変換(WT)係数が与えられたとき、その係数を特徴として、元の時系列をラベルとして訓練する。
これにより、コンポーネントの再構築や多数のモデルのトレーニングが不要になる。
本研究は、WTを用いた新しいアプローチを提案し、包括的に評価することにより、日頭集積太陽電池(PV)電力時系列予測問題に寄与する。
提案手法は、2つの実世界のデータセットから17ヶ月の太陽太陽光発電(PV)電力データを用いて評価される。
この評価には、線形回帰、ランダムフォレスト、サポートベクトル回帰、畳み込みニューラルネットワークを含む様々な予測モデルの使用が含まれる。
その結果、係数に基づく戦略を用いることで、モデルが少なく計算時間を短縮しながら、コンポーネントベースのアプローチで得られる予測と同等の予測が得られることが示された。
関連論文リスト
- PRformer: Pyramidal Recurrent Transformer for Multivariate Time Series Forecasting [82.03373838627606]
Transformerアーキテクチャにおける自己保持機構は、時系列予測において時間順序を符号化するために位置埋め込みを必要とする。
この位置埋め込みへの依存は、トランスフォーマーの時間的シーケンスを効果的に表現する能力を制限している、と我々は主張する。
本稿では,Prepreを標準的なTransformerエンコーダと統合し,様々な実世界のデータセット上での最先端性能を示す。
論文 参考訳（メタデータ） (2024-08-20T01:56:07Z) - Time-series Generation by Contrastive Imitation [87.51882102248395]
モーメントマッチングの目的によってモチベーションされ、複合的エラーを軽減し、局所的(しかし前方的な)遷移ポリシーを最適化する。
推論において、学習されたポリシーは反復的なサンプリングのジェネレータとして機能し、学習されたエネルギーはサンプルの品質を評価するための軌道レベル尺度として機能する。
論文 参考訳（メタデータ） (2023-11-02T16:45:25Z) - PV Fleet Modeling via Smooth Periodic Gaussian Copula [7.844608371271439]
本稿では,太陽光発電(PV)システムから発電を共同でモデル化する手法を提案する。
本稿では,ベクトル時系列データを独立かつ同一に分散した標準標準変数にマップする関数を探索するホワイトボックス法を提案する。
論文 参考訳（メタデータ） (2023-06-05T23:23:04Z) - 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) - CARD: Channel Aligned Robust Blend Transformer for Time Series
Forecasting [50.23240107430597]
本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。
まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。
第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。
第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
論文 参考訳（メタデータ） (2023-05-20T05:16:31Z) - Forecasting Intraday Power Output by a Set of PV Systems using Recurrent Neural Networks and Physical Covariates [0.0]
PhotoVoltaic(PV)システムによる出力の正確な予測は、エネルギー分配グリッドの動作を改善するために重要である。
このような日内予測の実現を目的とした神経自己回帰モデルについて述べる。
論文 参考訳（メタデータ） (2023-03-15T09:03:58Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳（メタデータ） (2023-01-05T13:59:29Z) - Are Transformers Effective for Time Series Forecasting? [13.268196448051308]
近年、時系列予測(TSF)タスクのためのTransformerベースのソリューションが急増している。
本研究は,Transformer-based techniqueが長期時系列予測に適した解であるかどうかを考察する。
変換器をベースとした解の長期予測精度が比較的高いことは,変換器アーキテクチャの時間的関係抽出能力とはほとんど関係がないことがわかった。
論文 参考訳（メタデータ） (2022-05-26T17:17:08Z) - Feature Construction and Selection for PV Solar Power Modeling [1.8960797847221296]
太陽光発電(PV)発電を予測するモデルを構築することで、意思決定者はエネルギー不足を補うことができる。
太陽エネルギーの出力は、光や天気など多くの要因に依存する時系列データである。
本研究では, 過去のデータをもとに, 1時間先進太陽エネルギー予測のための機械学習フレームワークを開発した。
論文 参考訳（メタデータ） (2022-02-13T06:49:28Z) - Principal Component Density Estimation for Scenario Generation Using
Normalizing Flows [62.997667081978825]
低次元空間における正規化フローを設定する線形主成分分析(PCA)に基づく次元還元フロー層を提案する。
当社は、2013年から2015年までのドイツにおけるPVおよび風力発電のデータと負荷需要に関する主成分フロー(PCF)を訓練しています。
論文 参考訳（メタデータ） (2021-04-21T08:42:54Z) - Forecasting Photovoltaic Power Production using a Deep Learning Sequence
to Sequence Model with Attention [0.0]
本稿では,PV発電のエンド・ツー・エンド予測のための教師付きディープラーニングモデルを提案する。
提案モデルは2つの基本概念に基づいており、他のシーケンス関連分野の大幅な性能向上につながった。
その結果、新しい設計は、PV電力予測技術の現在の状態以上で実行可能であることがわかった。
論文 参考訳（メタデータ） (2020-08-06T17:20:08Z)
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。