論文の概要: Short-Term Electricity Load Forecasting Using the Temporal Fusion
Transformer: Effect of Grid Hierarchies and Data Sources
- arxiv url: http://arxiv.org/abs/2305.10559v1
- Date: Wed, 17 May 2023 20:33:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-19 18:09:31.681950
- Title: Short-Term Electricity Load Forecasting Using the Temporal Fusion
Transformer: Effect of Grid Hierarchies and Data Sources
- Title（参考訳）: 時相核融合変圧器を用いた短時間電力負荷予測:グリッド階層とデータソースの影響
- Authors: Elena Giacomazzi, Felix Haag, Konstantin Hopf
- Abstract要約: 短期負荷予測のためのTFTアーキテクチャの可能性について検討する。
TFTアーキテクチャは、グリッド全体の日頭予測のための最先端のLSTMモデルよりも高い予測性能を提供していない。
その結果, サブステーションレベルに適用した場合, 上位グリッドレベルへのアグリゲーションによるTFTの大幅な改善が認められた。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recent developments related to the energy transition pose particular
challenges for distribution grids. Hence, precise load forecasts become more
and more important for effective grid management. Novel modeling approaches
such as the Transformer architecture, in particular the Temporal Fusion
Transformer (TFT), have emerged as promising methods for time series
forecasting. To date, just a handful of studies apply TFTs to electricity load
forecasting problems, mostly considering only single datasets and a few
covariates. Therefore, we examine the potential of the TFT architecture for
hourly short-term load forecasting across different time horizons (day-ahead
and week-ahead) and network levels (grid and substation level). We find that
the TFT architecture does not offer higher predictive performance than a
state-of-the-art LSTM model for day-ahead forecasting on the entire grid.
However, the results display significant improvements for the TFT when applied
at the substation level with a subsequent aggregation to the upper grid-level,
resulting in a prediction error of 2.43% (MAPE) for the best-performing
scenario. In addition, the TFT appears to offer remarkable improvements over
the LSTM approach for week-ahead forecasting (yielding a predictive error of
2.52% (MAPE) at the lowest). We outline avenues for future research using the
TFT approach for load forecasting, including the exploration of various grid
levels (e.g., grid, substation, and household level).
- Abstract（参考訳）: エネルギー遷移に関する最近の発展は、分散グリッドに特に課題をもたらす。
したがって、効率的なグリッド管理では、正確な負荷予測がますます重要になる。
トランスフォーマーアーキテクチャ、特にtft(temporal fusion transformer)のような新しいモデリングアプローチは、時系列予測に有望な方法として現れてきた。
今のところ、TFTを電力負荷予測問題に適用する研究はほとんど1つのデータセットと少数の共変量しか考慮していない。
そこで,tftアーキテクチャは,異なる時間軸(日単位と週単位)とネットワークレベル(グリッドレベルと変電所レベル)にまたがる時間単位の短時間負荷予測を実現する可能性について検討する。
TFTアーキテクチャは、グリッド全体の日頭予測のための最先端のLSTMモデルよりも高い予測性能を提供していない。
しかし, この結果から, サブステーションレベルに適用した場合, 上位グリッドレベルへのアグリゲーションによるTFTの大幅な改善が得られ, 最高のシナリオに対する予測誤差が2.43%(MAPE)となった。
さらに、TLTは、週間前予測のLSTMアプローチ(最低で2.52%(MAPE)の予測誤差が得られる)に対して、顕著な改善を提供しているようである。
負荷予測のためのTFT手法を用いた将来の研究の道程について概説し, グリッドレベル(グリッド, サブステーション, 世帯レベルなど)の探索を行った。
関連論文リスト
- Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。
実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。
Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
論文 参考訳（メタデータ） (2024-07-28T19:18:59Z) - FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure
Graph Perspective [48.00240550685946]
現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。
提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。
7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
論文 参考訳（メタデータ） (2023-11-10T17:13:26Z) - 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) - CARD: Channel Aligned Robust Blend Transformer for Time Series
Forecasting [50.23240107430597]
本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。
まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。
第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。
第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
論文 参考訳（メタデータ） (2023-05-20T05:16:31Z) - 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) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳（メタデータ） (2023-01-05T13:59:29Z) - Appliance Level Short-term Load Forecasting via Recurrent Neural Network [6.351541960369854]
本稿では,各家電の消費電力を効率よく予測するSTLFアルゴリズムを提案する。
提案手法は、ディープラーニングにおける強力なリカレントニューラルネットワーク(RNN)アーキテクチャに基づいている。
論文 参考訳（メタデータ） (2021-11-23T16:56:37Z) - Multi-Airport Delay Prediction with Transformers [0.0]
TFT(Temporal Fusion Transformer)は、複数の空港での出発と到着の遅れを同時に予測するために提案された。
このアプローチは、予測時に既知の入力の複雑な時間的ダイナミクスをキャプチャし、選択された遅延メトリクスを4時間先まで予測することができる。
論文 参考訳（メタデータ） (2021-11-04T21:58:11Z) - Random vector functional link neural network based ensemble deep
learning for short-term load forecasting [14.184042046855884]
本稿では,電力負荷予測のための新しいアンサンブルディープランダム関数リンク(edRVFL)を提案する。
隠されたレイヤは、深い表現学習を強制するために積み上げられます。
モデルは各層の出力をアンサンブルすることで予測を生成する。
論文 参考訳（メタデータ） (2021-07-30T01:20:48Z) - Energy Forecasting in Smart Grid Systems: A Review of the
State-of-the-art Techniques [2.3436632098950456]
本稿では,スマートグリッド(SG)システムの最先端予測手法について概説する。
統計学,機械学習(ML),深層学習(DL)などの従来の点予測手法について検討した。
ヴィクトリア朝の電力消費とアメリカの電力(AEP)の比較ケーススタディを行った。
論文 参考訳（メタデータ） (2020-11-25T09:17:07Z) - 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。