Fugu-MT 論文翻訳(概要): A generalised multi-factor deep learning electricity load forecasting model for wildfire-prone areas

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

Machine learning-based probabilistic forecasting of solar irradiance in Chile [0.7067443325368975]
本研究はチリの第三地域及び第四地域における太陽放射の確率論的予測について検討する。ニューラルネットワークを用いた後処理手法を提案し、8員のアンサンブル予測を改善した。全ての予測は30か所の観測結果に対して評価され、後処理の予測技術は生のWRFアンサンブルと比較される。
論文参考訳（メタデータ） (2024-11-17T13:22:05Z)
Deep learning surrogate models of JULES-INFERNO for wildfire prediction on a global scale [10.16915256748265]
この作業では、JULES-INFERNOモデルをシュロゲートするDeep Learning技術に基づいて、2つのデータ駆動モデルを構築している。より正確には、これらの機械学習モデルは、地球温度、植生密度、土壌水分、およびそれ以前の予測を入力として、その後の地球域の燃焼を予測する。 JULES-INFERNOの出力と比較して、AEPが0.3%以下、SSIMが98%以上である場合)と予測精度の両面で、提案モデルの性能は高い。
論文参考訳（メタデータ） (2024-08-30T20:05:00Z)
Efficient mid-term forecasting of hourly electricity load using generalized additive models [0.0]
本稿では,解釈可能なP-スプラインから構築され,自己回帰後処理によって強化された一般化付加モデル(GAM)を用いた新しい予測手法を提案する。提案手法は欧州24カ国の負荷データに基づいて評価される。
論文参考訳（メタデータ） (2024-05-27T11:41:41Z)
Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文参考訳（メタデータ） (2024-02-06T21:28:42Z)
ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
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,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。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 Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
論文参考訳（メタデータ） (2023-09-24T19:57:22Z)
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)
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。