論文の概要: Benchmarks and Custom Package for Electrical Load Forecasting

• arxiv url: http://arxiv.org/abs/2307.07191v1
• Date: Fri, 14 Jul 2023 06:50:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-17 14:41:52.321290
• Title: Benchmarks and Custom Package for Electrical Load Forecasting
• Title（参考訳）: 電気負荷予測のためのベンチマークとカスタムパッケージ
• Authors: Zhixian Wang, Qingsong Wen, Chaoli Zhang, Liang Sun, Leandro Von Krannichfeldt, and Yi Wang
• Abstract要約: 負荷予測と従来の時系列予測には多くの違いがある。 一方、負荷予測は、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。 一方、負荷は温度やカレンダー変数など、多くの外部要因に影響されている。
• 参考スコア（独自算出の注目度）: 11.577756275312662
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Load forecasting is of great significance in the power industry as it can provide a reference for subsequent tasks such as power grid dispatch, thus bringing huge economic benefits. However, there are many differences between load forecasting and traditional time series forecasting. On the one hand, load forecasting aims to minimize the cost of subsequent tasks such as power grid dispatch, rather than simply pursuing prediction accuracy. On the other hand, the load is largely influenced by many external factors, such as temperature or calendar variables. In addition, the scale of predictions (such as building-level loads and aggregated-level loads) can also significantly impact the predicted results. In this paper, we provide a comprehensive load forecasting archive, which includes load domain-specific feature engineering to help forecasting models better model load data. In addition, different from the traditional loss function which only aims for accuracy, we also provide a method to customize the loss function based on the forecasting error, integrating it into our forecasting framework. Based on this, we conducted extensive experiments on load data at different levels, providing a reference for researchers to compare different load forecasting models.
• Abstract（参考訳）: 負荷予測は電力業界において非常に重要なものであり、電力グリッドディスパッチのようなその後のタスクへの参照を提供することができるため、大きな経済的利益をもたらす。 しかし、負荷予測と従来の時系列予測には多くの違いがある。 一方、負荷予測は、単に予測精度を追求するのではなく、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。 一方、負荷は温度やカレンダー変数など、多くの外部要因に影響されている。 さらに、予測の規模(ビルレベルの負荷や集約レベルの負荷など)も予測結果に大きく影響する可能性がある。 本稿では、負荷領域固有の特徴工学を含む包括的負荷予測アーカイブを提供し、モデルのモデル負荷データ予測を支援する。 また,精度を目標とする従来の損失関数とは違い,予測誤差に基づいて損失関数をカスタマイズし,予測フレームワークに統合する手法も提供する。 そこで我々は,異なるレベルの負荷データについて広範な実験を行い,異なる負荷予測モデルを比較するための参考資料を提供した。

関連論文リスト

• Back to the Future: GNN-based NO$_2$ Forecasting via Future Covariates [49.93577170464313]
  都市全域にわたる地上監視ネットワークにおける大気質観測について検討する。 我々は過去と将来の共変分を現在の観測に埋め込む条件付きブロックを提案する。 将来の気象情報に対する条件付けは,過去の交通状況を考えるよりも影響が大きいことが判明した。
  論文  参考訳（メタデータ） (2024-04-08T09:13:16Z)
• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• The Forecastability of Underlying Building Electricity Demand from Time Series Data [1.3757257689932039]
  ビルのエネルギー消費予測は、ビルのエネルギー管理システムにおいて有望な解決策となっている。 建物の将来的なエネルギー需要を予測するデータ駆動のアプローチは、科学文献で見ることができる。 このような建物のエネルギー需要を予測するために利用できる最も正確な予測モデルの同定は依然として困難である。
  論文  参考訳（メタデータ） (2023-11-29T20:47:47Z)
• Performative Time-Series Forecasting [71.18553214204978]
  我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。 本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。 新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
  論文  参考訳（メタデータ） (2023-10-09T18:34:29Z)
• Meta-Regression Analysis of Errors in Short-Term Electricity Load Forecasting [0.0]
  本稿では,短期電力負荷予測の精度に影響を与える要因を考察するメタ回帰分析(MRA)を提案する。 59の研究で公表された421の予測モデルから得られたデータを利用する。 LSTMアプローチとニューラルネットワークと他のアプローチの組み合わせが最高の予測方法であることがわかった。
  論文  参考訳（メタデータ） (2023-05-29T18:26:51Z)
• Forecasting Future World Events with Neural Networks [68.43460909545063]
  Autocastは数千の予測質問と付随するニュースコーパスを含むデータセットである。 ニュースコーパスは日付によって整理され、人間が過去の予測を行った条件を正確にシミュレートすることができる。 予測タスクで言語モデルをテストし、パフォーマンスが人間専門家のベースラインよりはるかに低いことを確認します。
  論文  参考訳（メタデータ） (2022-06-30T17:59:14Z)
• Probabilistic forecasts of wind power generation in regions with complex topography using deep learning methods: An Arctic case [3.3788638227700734]
  本研究は,ディープラーニングを用いた確率的予測に関する概念とアプローチを提示する。 深層学習モデルを用いて、ノルウェー北部の風力発電所から日頭発電の確率予測を行う。
  論文  参考訳（メタデータ） (2022-03-10T15:52:11Z)
• Using Google Trends as a proxy for occupant behavior to predict building energy consumption [0.0]
  そこで本研究では,Google Trendsプラットフォーム上でのトピックの検索量を,利用者の行動と建物利用のプロキシとして活用するアプローチを提案する。 その結果、高い相関性を持つGoogle Trendsデータは、建物のサブセット全体のRMSLEエラーを、GEPIIIコンペティションの上位5チームのパフォーマンスのレベルに効果的に低減できることを示した。
  論文  参考訳（メタデータ） (2021-10-31T08:05:23Z)
• 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)
• Physics-Informed Gaussian Process Regression for Probabilistic States Estimation and Forecasting in Power Grids [67.72249211312723]
  電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。 PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。 提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
  論文  参考訳（メタデータ） (2020-10-09T14:18:31Z)

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。