論文の概要: An Error Correction Mid-term Electricity Load Forecasting Model Based on
Seasonal Decomposition
- arxiv url: http://arxiv.org/abs/2306.10826v1
- Date: Mon, 19 Jun 2023 10:17:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-21 18:18:25.083318
- Title: An Error Correction Mid-term Electricity Load Forecasting Model Based on
Seasonal Decomposition
- Title(参考訳): 季節分解に基づく誤差補正中期電力負荷予測モデル
- Authors: Liping Zhang, Di Wu, Xin Luo
- Abstract要約: 中期電力負荷予測は電力系統の計画・運用において重要な役割を担っている。
本稿では,既存のLFモデルの動作中の誤り蓄積と転送の問題に対処するため,誤り訂正ベースLF(ECLF)と呼ばれる新しいモデルを提案する。
提案手法は,中国の2都市における実世界の電力負荷データに基づいて評価される。
- 参考スコア(独自算出の注目度): 7.943226129691092
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mid-term electricity load forecasting (LF) plays a critical role in power
system planning and operation. To address the issue of error accumulation and
transfer during the operation of existing LF models, a novel model called error
correction based LF (ECLF) is proposed in this paper, which is designed to
provide more accurate and stable LF. Firstly, time series analysis and feature
engineering act on the original data to decompose load data into three
components and extract relevant features. Then, based on the idea of stacking
ensemble, long short-term memory is employed as an error correction module to
forecast the components separately, and the forecast results are treated as new
features to be fed into extreme gradient boosting for the second-step
forecasting. Finally, the component sub-series forecast results are
reconstructed to obtain the final LF results. The proposed model is evaluated
on real-world electricity load data from two cities in China, and the
experimental results demonstrate its superior performance compared to the other
benchmark models.
- Abstract(参考訳): 中期電力負荷予測(lf)は電力システムの計画と運用において重要な役割を担っている。
本稿では,既存のLFモデルの動作における誤り蓄積と転送の問題に対処するため,より正確かつ安定したLFを提供するために,誤り訂正ベースLF(ECLF)と呼ばれる新しいモデルを提案する。
まず、時系列分析と特徴工学が元のデータに作用し、負荷データを3つのコンポーネントに分解し、関連する特徴を抽出する。
そして、アンサンブルを積み重ねるアイデアに基づいて、長い短期記憶を誤差補正モジュールとして使用し、コンポーネントを別々に予測し、その予測結果を第2段階予測のための極端な勾配押し上げに投入する新機能として扱う。
最後に、部品サブシリーズ予測結果を再構成して最終LF結果を得る。
提案モデルは,中国2都市における実世界の電力負荷データに基づいて評価され,他のベンチマークモデルよりも優れた性能を示す実験結果が得られた。
関連論文リスト
- Minusformer: Improving Time Series Forecasting by Progressively Learning Residuals [14.741951369068877]
我々は,情報集約機構を付加と減算から再構築することで,バニラ変圧器を改修する。
本稿では,原モデルの各ブロックに補助出力分岐を組み込んで,最終的な予測に導くハイウェイを構築する。
提案手法は既存の最先端手法よりも優れており,各データセットの平均性能は11.9%向上した。
論文 参考訳(メタデータ) (2024-02-04T03:54:31Z) - Mid-Long Term Daily Electricity Consumption Forecasting Based on
Piecewise Linear Regression and Dilated Causal CNN [9.921863154466608]
既存の予測アルゴリズムは、休日のような特別な日付で精度を低下させる傾向にある。
本研究は, 日常の電力消費を, 傾向, 季節, 残留の3つの構成要素に分解する。
実験により,本手法は既存手法と比較して精度が高いことを示した。
論文 参考訳(メタデータ) (2023-10-23T10:22:38Z) - Prediction-Oriented Bayesian Active Learning [51.426960808684655]
予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。
EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
論文 参考訳(メタデータ) (2023-04-17T10:59:57Z) - 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 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) - Extracting or Guessing? Improving Faithfulness of Event Temporal
Relation Extraction [87.04153383938969]
本研究では,TempRel抽出モデルの忠実度を2つの観点から改善する。
第1の視点は、文脈記述に基づいて真に抽出することである。
第2の視点は、適切な不確実性評価を提供することである。
論文 参考訳(メタデータ) (2022-10-10T19:53:13Z) - 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) - 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) - Back2Future: Leveraging Backfill Dynamics for Improving Real-time
Predictions in Future [73.03458424369657]
公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。
過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。
我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
論文 参考訳(メタデータ) (2021-06-08T14:48:20Z) - Churn Reduction via Distillation [54.5952282395487]
本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。
次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
論文 参考訳(メタデータ) (2021-06-04T18:03:31Z)
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。