論文の概要: In Search of Deep Learning Architectures for Load Forecasting: A
Comparative Analysis and the Impact of the Covid-19 Pandemic on Model
Performance
- arxiv url: http://arxiv.org/abs/2302.13046v1
- Date: Sat, 25 Feb 2023 10:08:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-28 19:15:53.636694
- Title: In Search of Deep Learning Architectures for Load Forecasting: A
Comparative Analysis and the Impact of the Covid-19 Pandemic on Model
Performance
- Title（参考訳）: 負荷予測のためのディープラーニングアーキテクチャの探索:Covid-19パンデミックがモデル性能に与える影響の比較分析
- Authors: Sotiris Pelekis, Evangelos Karakolis, Francisco Silva, Vasileios
Schoinas, Spiros Mouzakitis, Georgios Kormpakis, Nuno Amaro, John Psarras
- Abstract要約: 短期負荷予測(STLF)は、その信頼性、排出、コストの最適化に不可欠である。
この研究は、精度の予測と持続可能性のトレーニングに関して、Deep Learning (DL)アーキテクチャの比較研究を行う。
ケーススタディは、ポルトガルの全国15分解像度ネットロードタイムシリーズの日頭予測に焦点を当てている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In power grids, short-term load forecasting (STLF) is crucial as it
contributes to the optimization of their reliability, emissions, and costs,
while it enables the participation of energy companies in the energy market.
STLF is a challenging task, due to the complex demand of active and reactive
power from multiple types of electrical loads and their dependence on numerous
exogenous variables. Amongst them, special circumstances, such as the COVID-19
pandemic, can often be the reason behind distribution shifts of load series.
This work conducts a comparative study of Deep Learning (DL) architectures,
namely Neural Basis Expansion Analysis Time Series Forecasting (N-BEATS), Long
Short-Term Memory (LSTM), and Temporal Convolutional Networks (TCN), with
respect to forecasting accuracy and training sustainability, meanwhile
examining their out-of-distribution generalization capabilities during the
COVID-19 pandemic era. A Pattern Sequence Forecasting (PSF) model is used as
baseline. The case study focuses on day-ahead forecasts for the Portuguese
national 15-minute resolution net load time series. The results can be
leveraged by energy companies and network operators (i) to reinforce their
forecasting toolkit with state-of-the-art DL models; (ii) to become aware of
the serious consequences of crisis events on model performance; (iii) as a
high-level model evaluation, deployment, and sustainability guide within a
smart grid context.
- Abstract（参考訳）: 電力網では、短期負荷予測(stlf)が重要であり、エネルギー市場におけるエネルギー企業の参加を可能にする一方で、信頼性、排出、コストの最適化に寄与する。
STLFは、複数のタイプの電気負荷からの活性および反応性の複雑な要求と、多くの外因性変数への依存のため、困難な課題である。
その中でも、新型コロナウイルス(covid-19)パンデミックのような特殊な状況が、負荷列の分散シフトの原因となることが多い。
本研究は, ニューラルベイズ拡張解析による時系列予測(N-BEATS), 長期記憶(LSTM), 時間畳み込みネットワーク(TCN)など, ディープラーニング(DL)アーキテクチャの比較研究を行い, その一方で, 新型コロナウイルスパンデミック時代のアウト・オブ・ディストリビューションの一般化能力について検討した。
パターンシーケンス予測(PSF)モデルがベースラインとして使用される。
ケーススタディは、ポルトガル全国15分解像度ネットロードタイムシリーズの日頭予測に焦点を当てている。
結果はエネルギー会社やネットワークオペレーターによって活用できる
(i)最先端dlモデルによる予測ツールキットの強化
二 モデルパフォーマンスの危機イベントの重大な結果に気付くこと。
(iii)スマートグリッドコンテキスト内の高レベルモデル評価,展開,持続可能性ガイドとして。
関連論文リスト
- Hourly Short Term Load Forecasting for Residential Buildings and Energy Communities [0.0]
永続モデル、自動回帰ベースの機械学習モデル、より高度なディープラーニングモデルを導入します。
既存の手法に比べて,新たに導入された時間ベースの予測モデルの予測精度が15～30%向上するのを観察する。
論文 参考訳（メタデータ） (2025-01-31T15:49:09Z) - Kolmogorov-Arnold Recurrent Network for Short Term Load Forecasting Across Diverse Consumers [0.9208007322096533]
本稿では,Kolmogorov-Arnold Networksの柔軟性とRNNの時間的モデリング機能を組み合わせた新しい負荷予測手法を提案する。
提案したKARNモデルは、学生の住居、別荘、電気自動車充電施設、タウンハウス、工業ビルなど、様々な現実世界のデータセットで厳格に評価された。
その結果、KARNの精度と適用性は優れており、多様なエネルギー管理シナリオにおける負荷予測を強化するための有望なツールとなっている。
論文 参考訳（メタデータ） (2025-01-12T22:49:41Z) - BreakGPT: Leveraging Large Language Models for Predicting Asset Price Surges [55.2480439325792]
本稿では,時系列予測や資産価格の急上昇の予測に特化して,新たな大規模言語モデル(LLM)アーキテクチャであるBreakGPTを紹介する。
我々は、最小限のトレーニングで財務予測を行うための有望なソリューションとしてBreakGPTを紹介し、局所的およびグローバルな時間的依存関係をキャプチャする強力な競合相手として紹介する。
論文 参考訳（メタデータ） (2024-11-09T05:40:32Z) - 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) - Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。
本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。
評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
論文 参考訳（メタデータ） (2023-07-14T06:50:02Z) - SaDI: A Self-adaptive Decomposed Interpretable Framework for Electric
Load Forecasting under Extreme Events [25.325870546140788]
自己適応型分解解釈フレームワーク(SaDI)という新しい予測フレームワークを提案する。
中央中国の電力負荷と公共エネルギーの計器の実験により、提案されたSaDIフレームワークは平均22.14%の改善が達成された。
論文 参考訳（メタデータ） (2023-06-14T07:11:30Z) - A comparative assessment of deep learning models for day-ahead load
forecasting: Investigating key accuracy drivers [2.572906392867547]
短期負荷予測(STLF)は電力グリッドとエネルギー市場の効果的かつ経済的な運用に不可欠である。
STLFの文献ではいくつかのディープラーニングモデルが提案されており、有望な結果を報告している。
論文 参考訳（メタデータ） (2023-02-23T17:11:04Z) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳（メタデータ） (2021-06-08T14:48:20Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳（メタデータ） (2020-12-23T16:21:34Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z)
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。