論文の概要: Short-term Prediction of Household Electricity Consumption Using
Customized LSTM and GRU Models
- arxiv url: http://arxiv.org/abs/2212.08757v1
- Date: Fri, 16 Dec 2022 23:42:57 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 14:51:06.187811
- Title: Short-term Prediction of Household Electricity Consumption Using
Customized LSTM and GRU Models
- Title（参考訳）: カスタムLSTMとGRUモデルを用いた家庭用電力消費の短期予測
- Authors: Saad Emshagin, Wayes Koroni Halim, Rasha Kashef
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.8010446129208155
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: With the evolution of power systems as it is becoming more intelligent and
interactive system while increasing in flexibility with a larger penetration of
renewable energy sources, demand prediction on a short-term resolution will
inevitably become more and more crucial in designing and managing the future
grid, especially when it comes to an individual household level. Projecting the
demand for electricity for a single energy user, as opposed to the aggregated
power consumption of residential load on a wide scale, is difficult because of
a considerable number of volatile and uncertain factors. This paper proposes a
customized GRU (Gated Recurrent Unit) and Long Short-Term Memory (LSTM)
architecture to address this challenging problem. LSTM and GRU are
comparatively newer and among the most well-adopted deep learning approaches.
The electricity consumption datasets were obtained from individual household
smart meters. The comparison shows that the LSTM model performs better for
home-level forecasting than alternative prediction techniques-GRU in this case.
To compare the NN-based models with contrast to the conventional statistical
technique-based model, ARIMA based model was also developed and benchmarked
with LSTM and GRU model outcomes in this study to show the performance of the
proposed model on the collected time series data.
- Abstract（参考訳）: 電力システムの進化により、よりインテリジェントでインタラクティブなシステムになりつつ、再生可能エネルギー源の普及によって柔軟性が増す中、短期的な解像度に対する需要予測は、将来のグリッドの設計と管理において、特に個々の家庭レベルにおいて、必然的に重要になるでしょう。
電力需要の予測は,住宅負荷を大規模に集約した電力消費とは対照的に,不安定で不確実な要因が多いため困難である。
本稿では,この問題に対処するために,カスタマイズされた gru (gated recurrent unit) と long short-term memory (lstm) アーキテクチャを提案する。
LSTMとGRUは比較的新しいもので、最も経験豊富なディープラーニングアプローチの1つである。
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。
比較の結果,LSTMモデルは代替予測手法であるGRUよりも家庭レベルの予測に優れていた。
NNモデルと従来の統計手法モデルとの対比のために, LSTMとGRUモデルを用いて, ARIMAモデルも開発, ベンチマークを行い, 提案モデルの性能を時系列データに示す。
関連論文リスト
- Accelerating Quasi-Static Time Series Simulations with Foundation Models [36.7183558293052]
我々は、最近導入されたグリッド基礎モデルが、ニューラルパワーフローソルバの経済性を改善することを想定する。
私たちはこれらのモデルを開発し、オープンソース化するために、AIと電力グリッドコミュニティの協力を求めます。
論文 参考訳（メタデータ） (2024-11-13T14:42:32Z) - 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) - Grid Frequency Forecasting in University Campuses using Convolutional
LSTM [0.0]
本稿では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を用いて,グリッド周波数の堅牢な時間予測モデルを確立する。
個々のConvLSTMモデルは、各キャンパスビルの電力消費データに基づいて訓練され、歴史的傾向に基づいてグリッド周波数を予測する。
アンサンブルモデル(英: Ensemble Model)は、建物固有のモデルから洞察を収集し、キャンパス全体の総合的な予測を提供する。
論文 参考訳（メタデータ） (2023-10-24T13:53:51Z) - Transfer learning for day-ahead load forecasting: a case study on
European national electricity demand time series [42.156081667752886]
電力グリッドの日々の運用には,短期負荷予測(STLF)が不可欠である。
ニューラルネットワーク(NN)モデルなど,STLFを改善するためのさまざまな予測手法が提案されている。
我々は、人気があり実装が容易なNNモデルを採用し、シリーズ間の類似パターンを特定するためにクラスタリング分析を行う。
論文 参考訳（メタデータ） (2023-10-24T06:54:50Z) - HiFlash: Communication-Efficient Hierarchical Federated Learning with
Adaptive Staleness Control and Heterogeneity-aware Client-Edge Association [38.99309610943313]
フェデレートラーニング(FL)は、巨大なクライアント間で共有モデルを協調的に学習することのできる、有望なパラダイムである。
多くの既存のFLシステムでは、クライアントは大規模なデータサイズのモデルパラメータを、ワイドエリアネットワーク(WAN)を介してリモートクラウドサーバと頻繁に交換する必要がある。
我々は、モバイルエッジコンピューティングの利点を享受するHiFLの階層的フェデレーション学習パラダイムを活用している。
論文 参考訳（メタデータ） (2023-01-16T14:39:04Z) - 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) - Cascaded Deep Hybrid Models for Multistep Household Energy Consumption
Forecasting [5.478764356647437]
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。
論文 参考訳（メタデータ） (2022-07-06T11:02:23Z) - Advanced Statistical Learning on Short Term Load Process Forecasting [13.466565318976887]
短期負荷予測(STLF)は、電力消費者の効率的なスケジューリング、運転最適化取引、意思決定に必要である。
本研究では, ハードタイプデータセットのこれらの課題を管理するための統計非線形モデルを提案し, 最大2日前に15分間の周波数負荷を予測した。
論文 参考訳（メタデータ） (2021-10-19T12:32:40Z) - Demand Forecasting in Smart Grid Using Long Short-Term Memory [0.0]
Long Short-Term Memory (LSTM) は時系列データの予測において有望な結果を示す。
本稿では、ニューラルネットワークアーキテクチャを用いたLSTMに基づくモデルを提案し、電力需要を予測する。
論文 参考訳（メタデータ） (2021-07-28T21:45:54Z) - Learning representations with end-to-end models for improved remaining
useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。
マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。
提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文 参考訳（メタデータ） (2021-04-11T16:45:18Z) - Dynamic Gaussian Mixture based Deep Generative Model For Robust
Forecasting on Sparse Multivariate Time Series [43.86737761236125]
本研究では,孤立した特徴表現ではなく,潜在クラスタの遷移を追跡する新しい生成モデルを提案する。
新たに設計された動的ガウス混合分布が特徴であり、クラスタリング構造のダイナミクスを捉えている。
帰納的解析を可能にするために構造化推論ネットワークも設計されている。
論文 参考訳（メタデータ） (2021-03-03T04:10:07Z)
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。