論文の概要: A generalised multi-factor deep learning electricity load forecasting
model for wildfire-prone areas
- arxiv url: http://arxiv.org/abs/2304.10686v1
- Date: Fri, 21 Apr 2023 00:42:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-24 16:16:09.348439
- Title: A generalised multi-factor deep learning electricity load forecasting
model for wildfire-prone areas
- Title(参考訳): 山火事発生域における多要素深層学習電力負荷予測モデル
- Authors: Weijia Yang, Sarah N. Sparrow, David C.H. Wallom
- Abstract要約: 本稿では,山火事シーズンにおける配電網の電力負荷を予測するために,GRUに基づく汎用かつ堅牢なGated Recurrent Unit (GRU) モデルを提案する。
瞬時温度の通常の使用と比較して、平均絶対パーセンテージ誤差(MAPE)は30.73%減少する。
提案手法は平均予測MAPEの約3%を達成し、ビクトリア州に年間8億6600万ドルを節約できる可能性がある。
- 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: This paper proposes a generalised and robust multi-factor Gated Recurrent
Unit (GRU) based Deep Learning (DL) model to forecast electricity load in
distribution networks during wildfire seasons. The flexible modelling methods
consider data input structure, calendar effects and correlation-based leading
temperature conditions. Compared to the regular use of instantaneous
temperature, the Mean Absolute Percentage Error (MAPE) is decreased by 30.73%
by using the proposed input feature selection and leading temperature
relationships. Our model is generalised and applied to eight real distribution
networks in Victoria, Australia, during the wildfire seasons of 2015-2020. We
demonstrate that the GRU-based model consistently outperforms another DL model,
Long Short-Term Memory (LSTM), at every step, giving average improvements in
Mean Squared Error (MSE) and MAPE of 10.06% and 12.86%, respectively. The
sensitivity to large-scale climate variability in training data sets, e.g. El
Ni\~no or La Ni\~na years, is considered to understand the possible
consequences for load forecasting performance stability, showing minimal
impact. Other factors such as regional poverty rate and large-scale off-peak
electricity use are potential factors to further improve forecast performance.
The proposed method achieves an average forecast MAPE of around 3%, giving a
potential annual energy saving of AU\$80.46 million for the state of Victoria.
- Abstract(参考訳): 本稿では,山火事シーズンにおける配電網の電力負荷を予測するため,GRUに基づく多要素Gated Recurrent Unit(GRU)モデルを提案する。
フレキシブルなモデリング手法は、データ入力構造、カレンダー効果、および相関に基づく先行温度条件を考慮する。
即時温度の通常の使用と比較して,提案した入力特徴選択と先行温度関係を用いて平均絶対パーセンテージ誤差(MAPE)を30.73%減少させる。
本モデルは,2015-2020年の山火事シーズンにオーストラリアのビクトリア州で8つの実配電網に適用された。
我々は,GRUモデルが他のDLモデルであるLong Short-Term Memory(LSTM)を常に上回り,平均二乗誤差(MSE)とMAPEをそれぞれ10.06%,12.86%で平均的に改善することを示した。
El Ni\~no や La Ni\~na years のようなトレーニングデータセットにおける大規模気候変動に対する感度は、負荷予測性能の安定性に対する可能性を理解し、最小限の影響を示すと考えられている。
地域貧困率や大規模オフピーク電力利用などの他の要因は、予測性能をさらに向上させる可能性がある。
提案手法は平均予測MAPEの約3%を達成し、ビクトリア州に年間8億6600万ドルを節約できる可能性がある。
関連論文リスト
- ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather
Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。
低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。
2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文 参考訳(メタデータ) (2024-01-28T13:23:25Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - Advancing Parsimonious Deep Learning Weather Prediction using the
HEALPix Mesh [3.1514546001123995]
階層的等角領域等緯線画像化(HEALPix)に基づく擬似深層学習天気予報モデルを提案する。
我々は, 約110kmのメッシュ上で約3hの時間分解能で, 任意長鉛時間に対して7つの大気変数を予測した。
論文 参考訳(メタデータ) (2023-09-11T16:25:48Z) - 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 Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。
モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。
本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
論文 参考訳(メタデータ) (2023-03-02T21:48:22Z) - A Hybrid Model for Forecasting Short-Term Electricity Demand [59.372588316558826]
現在、英国電気市場は、規制当局が30分毎に発行する負荷(需要)予測によってガイドされている。
本稿では,機能工学(候補予測機能の選択),移動ウィンドウ予測,LSTMエンコーダデコーダを組み合わせたハイブリッド予測モデルHYENAを提案する。
論文 参考訳(メタデータ) (2022-05-20T22:13:25Z) - Surrogate Ensemble Forecasting for Dynamic Climate Impact Models [0.0]
本研究は, マラリア感染係数R0を予測するリバプールマラリアモデル(LMM)について考察した。
入力および出力データは、ランダムフォレスト量子回帰(RFQR)モデルとベイズ長短期記憶(BLSTM)ニューラルネットワークの形式で代理モデルをトレーニングするために使用される。
論文 参考訳(メタデータ) (2022-04-12T13:30:01Z) - LIMREF: Local Interpretable Model Agnostic Rule-based Explanations for
Forecasting, with an Application to Electricity Smart Meter Data [3.0839245814393728]
我々は,大域的なモデル予測を説明するために,局所解釈可能なモデルに依存しないルールベース予測(LIMREF)を提案する。
本稿では,LIMREFフレームワークによる説明の質を質的・定量的に評価する。
論文 参考訳(メタデータ) (2022-02-15T22:35:11Z) - Neural Network Middle-Term Probabilistic Forecasting of Daily Power
Consumption [0.0]
本稿では,浅層ニューラルネットワークの自己回帰的特徴を持つ説明変数として,トレンド,季節性,気象条件を取り入れた新しいモデリング手法を提案する。
ニューイングランドの日用電力消費に応用した1年間のテストセットの密度予測について, 優れた結果を得た。
論文 参考訳(メタデータ) (2020-06-05T13:07:01Z)
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。