論文の概要: Forecasting the steam mass flow in a powerplant using the parallel hybrid network

• arxiv url: http://arxiv.org/abs/2307.09483v1
• Date: Tue, 18 Jul 2023 17:59:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-19 13:25:58.481112
• Title: Forecasting the steam mass flow in a powerplant using the parallel hybrid network
• Title（参考訳）: 並列ハイブリッドネットワークを用いた発電所における蒸気質量流予測
• Authors: Andrii Kurkin, Jonas Hegemann, Mo Kordzanganeh, Alexey Melnikov
• Abstract要約: 本研究では,パラメタライズド量子回路と従来のフィードフォワードニューラルネットワークを組み合わせた並列ハイブリッドニューラルネットワークアーキテクチャを提案する。 その結果、並列ハイブリッドモデルは、スタンドアロンの古典的および量子的モデルよりも優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Efficient and sustainable power generation is a crucial concern in the energy sector. In particular, thermal power plants grapple with accurately predicting steam mass flow, which is crucial for operational efficiency and cost reduction. In this study, we use a parallel hybrid neural network architecture that combines a parametrized quantum circuit and a conventional feed-forward neural network specifically designed for time-series prediction in industrial settings to enhance predictions of steam mass flow 15 minutes into the future. Our results show that the parallel hybrid model outperforms standalone classical and quantum models, achieving more than 5.7 and 4.9 times lower mean squared error (MSE) loss on the test set after training compared to pure classical and pure quantum networks, respectively. Furthermore, the hybrid model demonstrates smaller relative errors between the ground truth and the model predictions on the test set, up to 2 times better than the pure classical model. These findings contribute to the broader scientific understanding of how integrating quantum and classical machine learning techniques can be applied to real-world challenges faced by the energy sector, ultimately leading to optimized power plant operations.
• Abstract（参考訳）: エネルギー部門では効率的で持続可能な発電が重要な課題である。 特に火力発電所は蒸気の質量流を正確に予測し、運用効率とコスト削減に不可欠である。 本研究では, 産業環境での時系列予測に特化して設計された, パラメトリック量子回路と従来のフィードフォワードニューラルネットワークを組み合わせた並列ハイブリッドニューラルネットワークアーキテクチャを用いて, 15分後の蒸気質量流の予測を強化する。 実験の結果, 並列ハイブリッドモデルは, 単独の古典的および量子的モデルよりも優れており, 学習後の平均二乗誤差(MSE)の5.7倍, および4.9倍の損失を, 純粋古典的および純粋量子的ネットワークと比較した。 さらに、ハイブリッドモデルでは、基礎的真理とテスト集合上のモデル予測との間の相対誤差が、純粋な古典的モデルよりも最大2倍小さいことが示される。 これらの知見は、量子と古典的な機械学習技術の統合が、エネルギーセクターが直面している現実的な課題にどのように適用できるかという、より広い科学的理解に寄与する。

関連論文リスト

• Flood Prediction Using Classical and Quantum Machine Learning Models [0.0]
  本研究では,洪水予測の改善を目的とした量子機械学習の可能性について検討する。 私たちは2023年にドイツのウッパー川沿いで毎日の洪水イベントに焦点を合わせています。
  論文  参考訳（メタデータ） (2024-07-01T06:31:41Z)
• Towards Efficient Quantum Hybrid Diffusion Models [68.43405413443175]
  本稿では,量子ハイブリッド拡散モデルの設計手法を提案する。 量子コンピューティングの優れた一般化と古典的ネットワークのモジュラリティを組み合わせた2つのハイブリダイゼーション手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T16:57:51Z)
• Photovoltaic power forecasting using quantum machine learning [32.73124984242397]
  太陽パネルの出力予測はエネルギー遷移を促進するために重要であるが、太陽エネルギーの変動性と非線形の性質により複雑である。 我々の研究は、これらの複雑さに対処するために設計されたハイブリッド量子ニューラルネットワークを中心とした一連のソリューションを紹介した。 最初の提案されたモデルであるHybrid Quantum Long Short-Term Memoryは、テスト対象のモデルを平均絶対誤差と平均二乗誤差を40%以上下回っている。 2つ目のモデルであるHybrid Quantum Sequence-to-Sequence Neural Networkは、事前気象データを必要とせずに、任意の時間間隔に対して平均絶対誤差を16%低くして、光電力を予測する。
  論文  参考訳（メタデータ） (2023-12-27T02:37:46Z)
• A Framework for Demonstrating Practical Quantum Advantage: Racing Quantum against Classical Generative Models [62.997667081978825]
  生成モデルの一般化性能を評価するためのフレームワークを構築した。 古典的および量子生成モデル間の実用的量子優位性(PQA)に対する最初の比較レースを確立する。 以上の結果から,QCBMは,他の最先端の古典的生成モデルよりも,データ制限方式の方が効率的であることが示唆された。
  論文  参考訳（メタデータ） (2023-03-27T22:48:28Z)
• Cascaded Deep Hybrid Models for Multistep Household Energy Consumption Forecasting [5.478764356647437]
  本研究は,多段階家庭電力消費予測のための2つのハイブリッドキャスケードモデルを提案する。 提案したハイブリッドモデルでは,既存のマルチステップ電力消費予測手法よりも優れた予測性能が得られる。
  論文  参考訳（メタデータ） (2022-07-06T11:02:23Z)
• 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)
• Short-Term Density Forecasting of Low-Voltage Load using Bernstein-Polynomial Normalizing Flows [0.0]
  高いゆらぎと電化の増大は、従来の点推定に反映されない、大きな予測変動を引き起こす。 本稿では,正規化フローに基づく短期負荷のフレキシブルな条件密度予測手法を提案する。
  論文  参考訳（メタデータ） (2022-04-29T08:32:02Z)
• Hybrid Physics and Deep Learning Model for Interpretable Vehicle State Prediction [75.1213178617367]
  深層学習と物理運動モデルを組み合わせたハイブリッドアプローチを提案する。 ハイブリッドモデルの一部として,ディープニューラルネットワークの出力範囲を制限することで,解釈可能性を実現する。 その結果, ハイブリッドモデルでは, 既存のディープラーニング手法に比べて精度を低下させることなく, モデル解釈性が向上できることがわかった。
  論文  参考訳（メタデータ） (2021-03-11T15:21:08Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Assessment of weak-coupling approximations on a driven two-level system under dissipation [58.720142291102135]
  我々は, 減散を伴うリウヴィル・ヴォン方程式(Liouville-von equation)と呼ばれる数値的正確かつ非摂動的手法を用いて, 駆動量子ビットについて検討した。 我々は、駆動された量子ビットの定常状態を予測する上で、リンドブラッド方程式の妥当性の規則をマップするために実験で用いられる計量を提案する。
  論文  参考訳（メタデータ） (2020-11-11T22:45:57Z)
• N-BEATS neural network for mid-term electricity load forecasting [8.430502131775722]
  提案手法は,中期電力負荷予測問題の解決に有効であることを示す。 実装と訓練は簡単で、信号前処理は不要であり、予測バイアス低減機構を備えている。 実験的な研究によると、提案されたニューラルネットワークは、正確性と予測バイアスの両方の観点から、すべての競合より明らかに優れています。
  論文  参考訳（メタデータ） (2020-09-24T21:48:08Z)

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。