論文の概要: Predicting Short Term Energy Demand in Smart Grid: A Deep Learning
Approach for Integrating Renewable Energy Sources in Line with SDGs 7, 9, and
13
- arxiv url: http://arxiv.org/abs/2304.03997v2
- Date: Fri, 14 Apr 2023 04:24:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-17 15:59:12.225085
- Title: Predicting Short Term Energy Demand in Smart Grid: A Deep Learning
Approach for Integrating Renewable Energy Sources in Line with SDGs 7, 9, and
13
- Title(参考訳): スマートグリッドにおける短期的エネルギー需要予測:SDG7,9,13ラインの再生可能エネルギー源統合のためのディープラーニングアプローチ
- 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 in line with SDG 7. However, the intermittent nature of renewable energy
sources can make it challenging to manage the power grid and ensure a stable
supply of electricity, which is crucial for achieving SDG 9. 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. Our approach aligns with SDG
13 on climate action as it enables more efficient management of renewable
energy resources. 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 short term 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 three other state of the art forecasting algorithms
namely, Facebook Prophet, Support Vector Regressor, and Random Forest
Regressor. The experimental results show that the proposed REDf model can
accurately predict energy demand with a mean absolute error of 1.4%, indicating
its potential to enhance the stability and efficiency of the power grid and
contribute to achieving SDGs 7, 9, and 13. The proposed model also have the
potential to manage the integration of renewable energy sources in an effective
manner.
- Abstract(参考訳): 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きており、世界はsdg 7に合わせてより持続可能なエネルギーの未来に向かっている。
しかし、再生可能エネルギー源の断続的な性質は、電力網の管理と電力の安定確保を困難にし、SDG 9の実現に不可欠である。
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。
本手法は,再生可能エネルギー資源のより効率的な管理を可能にするため,気候活動に関するsdg 13に適合する。
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、米国電力、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・インターコネクトなど、様々なエネルギー流通企業の4つの歴史的短期エネルギー需要データを用いて評価される。
提案されたモデルは、Facebook Prophet、Support Vector Regressor、Random Forest Regressorという、アート予測アルゴリズムの他の3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し,電力グリッドの安定性と効率を高める可能性を示し,SDG7,9,13の達成に寄与することが示された。
提案モデルはまた,再生可能エネルギー源の統合を効果的に管理する可能性を秘めている。
関連論文リスト
- Strategizing EV Charging and Renewable Integration in Texas [2.429429123532487]
本研究では,テキサス州における電気自動車(EV),再生可能エネルギー,スマートグリッド技術の収束について検討する。
グリッド安定性の懸念、非コーディネート充電パターン、EVと再生可能エネルギー源との複雑な関係に関する研究に焦点が当てられている。
論文 参考訳(メタデータ) (2023-10-25T23:34:25Z) - 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) - 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) - Deep Reinforcement Learning Based Multidimensional Resource Management
for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。
本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
論文 参考訳(メタデータ) (2021-09-17T08:55:48Z) - A Multi-Agent Deep Reinforcement Learning Approach for a Distributed
Energy Marketplace in Smart Grids [58.666456917115056]
本稿では,マイクログリッドを支配下に置くために,強化学習に基づくエネルギー市場を提案する。
提案する市場モデルにより,リアルタイムかつ需要に依存した動的価格設定環境が実現され,グリッドコストが低減され,消費者の経済的利益が向上する。
論文 参考訳(メタデータ) (2020-09-23T02:17:51Z) - 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)
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。