論文の概要: City electric power consumption forecasting based on big data & neural network under smart grid background

• arxiv url: http://arxiv.org/abs/2309.00245v1
• Date: Fri, 1 Sep 2023 04:28:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-04 14:31:25.718975
• Title: City electric power consumption forecasting based on big data & neural network under smart grid background
• Title（参考訳）: スマートグリッド環境下におけるビッグデータ・ニューラルネットワークによる都市電力消費量予測
• Authors: Zhengxian Chen, Maowei Wang, Conghu Li
• Abstract要約: 都市電力消費は、電力供給と規制、発電所の立地、送電損失の制御と密接に関連している。 本稿では, ニューラルネットワークを構築し, 都市電力消費に対する様々な非線形要因の影響について考察する。 電力消費予測を実現するためにモデルを構築した。
• 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: With the development of the electric power system, the smart grid has become an important part of the smart city. The rational transmission of electric energy and the guarantee of power supply of the smart grid are very important to smart cities, smart cities can provide better services through smart grids. Among them, predicting and judging city electric power consumption is closely related to electricity supply and regulation, the location of power plants, and the control of electricity transmission losses. Based on big data, this paper establishes a neural network and considers the influence of various nonlinear factors on city electric power consumption. A model is established to realize the prediction of power consumption. Based on the permutation importance test, an evaluation model of the influencing factors of city electric power consumption is constructed to obtain the core characteristic values of city electric power consumption prediction, which can provide an important reference for electric power related industry.
• Abstract（参考訳）: 電力システムの発展に伴い、スマートグリッドはスマートシティの重要な部分となっている。 電力の合理的な伝達とスマートグリッドの電力供給の保証はスマートシティにとって非常に重要であり、スマートシティはスマートグリッドを通じてより良いサービスを提供することができる。 このうち、都市電力消費の予測と評価は、電力供給と規制、発電所の立地、送電損失の制御と密接に関連している。 本稿では,ビッグデータに基づいてニューラルネットワークを構築し,都市電力消費に対する様々な非線形要因の影響を考察する。 電力消費予測を実現するためにモデルを構築した。 この置換重要度試験に基づいて、都市電力消費の要因評価モデルを構築し、電力関連産業に重要な基準を提供する都市電力消費予測のコア特性値を得る。

関連論文リスト

• SafePowerGraph: Safety-aware Evaluation of Graph Neural Networks for Transmission Power Grids [55.35059657148395]
  我々は,電力システム(PS)におけるグラフニューラルネットワーク(GNN)のための,最初のシミュレータに依存しない,安全指向のフレームワークであるSafePowerGraphを紹介する。 SafePowerGraphは複数のPFシミュレータとOPFシミュレータを統合し、エネルギー価格の変動や電力線停止など、さまざまなシナリオでGNNのパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2024-07-17T09:01:38Z)
• Foundation Models for the Electric Power Grid [53.02072064670517]
  ファンデーションモデル(FM)がニュースの見出しを支配している。 多様なグリッドデータやトポロジからFMを学習することで、トランスフォーメーション能力が解放されるのではないか、と私たちは主張する。 本稿では,グラフニューラルネットワークに基づく電力グリッドFMの概念,すなわちGridFMについて論じる。
  論文  参考訳（メタデータ） (2024-07-12T17:09:47Z)
• Optimal Scheduling of Electric Vehicle Charging with Deep Reinforcement Learning considering End Users Flexibility [1.3812010983144802]
  本研究は、Deep Reinforcement Learning、より具体的にはDeep Q-Networks (DQN)を用いて、家庭のEVコスト削減課金政策を、タイム・オブ・ユース関税方式で識別することを目的とする。 新しいエンドユーザーフレキシビリティ・ポテンシャル報酬は、ソーラー発電の家庭がアルゴリズムの訓練とテストに使われている歴史的データ分析から推測される。
  論文  参考訳（メタデータ） (2023-10-13T12:07:36Z)
• Non-Intrusive Electric Load Monitoring Approach Based on Current Feature Visualization for Smart Energy Management [51.89904044860731]
  我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。 マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
  論文  参考訳（メタデータ） (2023-08-08T04:52:19Z)
• 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)
• Distributed Energy Management and Demand Response in Smart Grids: A Multi-Agent Deep Reinforcement Learning Framework [53.97223237572147]
  本稿では、自律制御と再生可能エネルギー資源のスマート電力グリッドシステムへの統合のための多エージェント深層強化学習(DRL)フレームワークを提案する。 特に,提案フレームワークは,住宅利用者に対する需要応答 (DR) と分散エネルギー管理 (DEM) を共同で検討している。
  論文  参考訳（メタデータ） (2022-11-29T01:18:58Z)
• Comparison of Forecasting Methods of House Electricity Consumption for Honda Smart Home [0.0]
  電力消費予測は家庭用エネルギー管理システムの開発を可能にする。 建物のエネルギー性能は、環境温度、湿度、各種電気機器などの多くの要因に影響を受けている。 Honda Smart Home USデータセットは、予測エラーを最小化する3つの方法を比較するために選択された。
  論文  参考訳（メタデータ） (2022-08-11T19:04:41Z)
• Knowledge- and Data-driven Services for Energy Systems using Graph Neural Networks [0.9809636731336702]
  グラフニューラルネットワーク(GNN)の枠組みに基づくエネルギーシステムのためのデータおよび知識駆動型確率的グラフィカルモデルを提案する。 このモデルは、グリッドトポロジや物理制約の形で、明らかにドメイン知識をファクタリングし、スパーアーキテクチャとはるかに小さなパラメータの寸法性をもたらす。 実世界のスマートグリッドデモプロジェクトから得られた結果は、グリッドの混雑予測や市場入札サービスにどのようにGNNを使用したかを示している。
  論文  参考訳（メタデータ） (2021-03-12T13:00:01Z)
• From Data to Knowledge to Action: Enabling the Smart Grid [0.11726720776908521]
  『グリッド』は、世紀遅れの技術に基づく多くの点において、遺物である。 多くの人々が「スマートグリッド」に彼らの希望を固定しています スマートグリッドの当初の計画では、既存の情報技術を広範囲に活用することを示唆している。
  論文  参考訳（メタデータ） (2020-07-31T19:43:48Z)
• NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
  モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2020-01-22T00:51:03Z)

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。