論文の概要: REDf: A Renewable Energy Demand Forecasting Model for Smart Grids using
Long Short Term Memory Network
- arxiv url: http://arxiv.org/abs/2304.03997v1
- Date: Sat, 8 Apr 2023 12:30:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-11 18:24:50.069410
- Title: REDf: A Renewable Energy Demand Forecasting Model for Smart Grids using
Long Short Term Memory Network
- Title（参考訳）: REDf:長期記憶ネットワークを用いたスマートグリッドの再生可能エネルギー需要予測モデル
- Authors: Md Saef Ullah Miah and Junaida Sulaiman and Md. Imamul Islam and Md.
Masuduzzaman
- Abstract要約: スマートパワーグリッドにおけるエネルギー需要予測のためのディープラーニングに基づくアプローチを提案する。
我々は、長期記憶ネットワークを使用して、エネルギー需要データにおける複雑なパターンや依存関係をキャプチャします。
提案モデルでは,平均絶対誤差 1.4% でエネルギー需要を正確に予測できる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The integration of renewable energy sources into the power grid is becoming
increasingly important as the world moves towards a more sustainable energy
future. However, the intermittent nature of renewable energy sources can make
it challenging to manage the power grid and ensure a stable supply of
electricity. In this paper, we propose a deep learning-based approach for
predicting energy demand in a smart power grid, which can improve the
integration of renewable energy sources by providing accurate predictions of
energy demand. We use long short-term memory networks, which are well-suited
for time series data, to capture complex patterns and dependencies in energy
demand data. The proposed approach is evaluated using four datasets of
historical energy demand data from different energy distribution companies
including American Electric Power, Commonwealth Edison, Dayton Power and Light,
and Pennsylvania-New Jersey-Maryland Interconnection. The proposed model is
also compared with two other state of the art forecasting algorithms namely,
Facebook Prophet and Support Vector Regressor. The experimental results show
that the proposed REDf model can accurately predict energy demand with a mean
absolute error of 1.4%. This approach has the potential to improve the
efficiency and stability of the power grid by allowing for better management of
the integration of renewable energy sources.
- Abstract（参考訳）: 世界がより持続可能なエネルギーの未来に向かっていくにつれて、再生可能エネルギー源の電力網への統合がますます重要になっている。
しかし、再生可能エネルギー源の断続的な性質は電力網の管理と安定した電力供給の確保を困難にしている。
本稿では,電力需要の正確な予測を提供することにより,再生可能エネルギー源の統合を向上できるスマート電力グリッドにおけるエネルギー需要予測のための深層学習に基づくアプローチを提案する。
我々は、時系列データに適した長期記憶ネットワークを用いて、エネルギー需要データにおける複雑なパターンや依存関係をキャプチャする。
提案手法は、アメリカ電力、コモンウェルス・エジソン、デイトン・パワー・アンド・ライト、ペンシルバニア・ニュージャージー・メリーランド・インターコネクションなど、異なるエネルギー流通企業の4つの歴史的エネルギー需要データを用いて評価される。
提案モデルは、Facebook ProphetとSupport Vector Regressorという、アート予測アルゴリズムの他の2つの状態と比較される。
実験の結果,提案したREDfモデルは平均絶対誤差 1.4% でエネルギー需要を正確に予測できることがわかった。
このアプローチは再生可能エネルギー源の統合をより良く管理することで電力網の効率と安定性を向上させる可能性を秘めている。
関連論文リスト
- A Survey of AI-Powered Mini-Grid Solutions for a Sustainable Future in Rural Communities [0.18783379094746652]
本稿では,統計的手法,機械学習アルゴリズム,ハイブリッドアプローチなど,様々な予測モデルについてレビューする。
Prophet、NeuralProphet、N-BEATSといった公開データセットやツールをモデル実装と検証のために検討している。
この調査は、将来の研究への推奨で締めくくられ、モデル適応と現実世界のアプリケーションへの最適化における課題に対処する。
論文 参考訳（メタデータ） (2024-07-17T20:23:38Z) - Empowering Distributed Solutions in Renewable Energy Systems and Grid
Optimization [3.8979646385036175]
機械学習(ML)の進歩は再生可能エネルギー源の強化とグリッド管理の改善に重要な役割を果たしている。
ビッグデータとMLをスマートグリッドに組み込むことは、エネルギー効率の向上など、いくつかのメリットを提供する。
しかし、大規模なデータボリュームの処理、サイバーセキュリティの確保、専門知識の獲得といった課題に対処する必要がある。
論文 参考訳（メタデータ） (2023-10-24T02:45:16Z) - A Federated learning model for Electric Energy management using
Blockchain Technology [0.0]
エネルギー不足と電力負荷の削減が発展途上国の主な問題である。
エネルギー管理の改善と再生可能エネルギーの利用は、エネルギー危機の解決に重要である。
化石燃料の高価格によるエネルギー需要の増大に対応するため, 再生可能エネルギー源の利用を増加させる必要がある。
論文 参考訳（メタデータ） (2023-07-18T09:00:26Z) - 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) - Combating Uncertainties in Wind and Distributed PV Energy Sources Using
Integrated Reinforcement Learning and Time-Series Forecasting [2.774390661064003]
再生可能エネルギーの予測不能は 電力供給会社や電力会社に 課題をもたらします
i)Long-Short Term Memory (LSTM) ソリューションを用いた時系列予測と,(ii)Deep Deterministic Policy Gradient (DDPG)アルゴリズムを用いたマルチエージェント強化学習による分散動的意思決定フレームワークの確立という,スマートグリッドにおける再生可能エネルギーの不確実性に対処する新たなフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-27T19:12:50Z) - Distributed Energy Management and Demand Response in Smart Grids: A
Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。
特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
論文 参考訳（メタデータ） (2022-11-29T01:18:58Z) - Evaluating Distribution System Reliability with Hyperstructures Graph
Convolutional Nets [74.51865676466056]
本稿では,グラフ畳み込みネットワークとハイパー構造表現学習フレームワークを,精度,信頼性,計算効率のよい分散グリッド計画に活用する方法を示す。
数値実験の結果,提案手法は計算効率を大幅に向上させることがわかった。
論文 参考訳（メタデータ） (2022-11-14T01:29:09Z) - Battery and Hydrogen Energy Storage Control in a Smart Energy Network
with Flexible Energy Demand using Deep Reinforcement Learning [2.5666730153464465]
電池と水素の蓄電池を組み合わせたハイブリッド型蓄電池システムを提案する。
本稿では,ハイブリッドエネルギー貯蔵システムのスケジューリングとエネルギー需要をリアルタイムに最適化する,深層強化学習に基づく制御手法を提案する。
論文 参考訳（メタデータ） (2022-08-26T16:47:48Z) - 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。