論文の概要: Analysis of Weather and Time Features in Machine Learning-aided ERCOT
Load Forecasting
- arxiv url: http://arxiv.org/abs/2310.08793v1
- Date: Fri, 13 Oct 2023 00:46:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-16 14:50:54.877935
- Title: Analysis of Weather and Time Features in Machine Learning-aided ERCOT
Load Forecasting
- Title(参考訳): 機械学習支援ERROT負荷予測における気象・時間特性の解析
- Authors: Jonathan Yang, Mingjian Tuo, Jin Lu, Xingpeng Li
- Abstract要約: 本研究は,短期システム全体の総負荷を予測するための入力機能の一部として,さまざまな時間と天気情報を取得する機械学習(ML)モデルを開発する。
同じ地域の実際の負荷と過去の気象データを処理し、その後MLモデルのトレーニングに使用した。
ケーススタディでは、ESROT負荷予測のための異なる天候と時間入力特性で訓練されたMLモデルの有効性が実証された。
- 参考スコア(独自算出の注目度): 0.2184775414778289
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate load forecasting is critical for efficient and reliable operations
of the electric power system. A large part of electricity consumption is
affected by weather conditions, making weather information an important
determinant of electricity usage. Personal appliances and industry equipment
also contribute significantly to electricity demand with temporal patterns,
making time a useful factor to consider in load forecasting. This work develops
several machine learning (ML) models that take various time and weather
information as part of the input features to predict the short-term system-wide
total load. Ablation studies were also performed to investigate and compare the
impacts of different weather factors on the prediction accuracy. Actual load
and historical weather data for the same region were processed and then used to
train the ML models. It is interesting to observe that using all available
features, each of which may be correlated to the load, is unlikely to achieve
the best forecasting performance; features with redundancy may even decrease
the inference capabilities of ML models. This indicates the importance of
feature selection for ML models. Overall, case studies demonstrated the
effectiveness of ML models trained with different weather and time input
features for ERCOT load forecasting.
- Abstract(参考訳): 電力系統の効率的かつ信頼性の高い運転には正確な負荷予測が重要である。
電力消費の大部分は気象条件に影響され、気象情報は電力消費の重要な決定要因となっている。
パーソナルアプライアンスや産業機器は、時間的パターンによる電力需要にも大きく寄与し、負荷予測に有用な要因となっている。
本研究は,短期システム全体の総負荷を予測するための入力機能の一部として,さまざまな時間と天気情報を取得する機械学習(ML)モデルを開発する。
また、異なる気象要因が予測精度に与える影響を調査・比較するためにアブレーション研究を行った。
同じ地域の実際の負荷と過去の気象データを処理し、MLモデルのトレーニングに使用した。
ロードに関連付けられる可能性のあるすべての利用可能な機能を使用することで、最高の予測性能を達成することはあり得ない、冗長性を持つ機能によってmlモデルの推論能力が低下する可能性があることは興味深い。
これはMLモデルにおける特徴選択の重要性を示している。
総合的なケーススタディでは、ESROT負荷予測のための異なる天候と時間入力特性で訓練されたMLモデルの有効性が示された。
関連論文リスト
- AI-Powered Predictions for Electricity Load in Prosumer Communities [0.0]
本稿では,人工知能を用いた短期負荷予測手法を提案する。
その結果、(負荷予測タスクに適応した)持続的項と回帰的項の組み合わせは、最高の予測精度が得られることがわかった。
論文 参考訳(メタデータ) (2024-02-21T12:23:09Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - Interactive Generalized Additive Model and Its Applications in Electric
Load Forecasting [12.431475555894089]
本稿では,電力産業において,解釈可能なだけでなく,特定の分野の知識を取り入れた対話型GAMを提案する。
我々の対話型GAMは、現在の最先端手法よりも優れており、極端な気象事象の場合に優れた一般化能力を示す。
インタラクティブなGAMをベースにしたユーザフレンドリーなWebベースのツールをローンチし、すでにeForecaster製品に組み込んでいます。
論文 参考訳(メタデータ) (2023-10-24T09:17:47Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - 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) - 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) - GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。
全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。
我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-12-24T18:15:39Z) - Stabilizing Machine Learning Prediction of Dynamics: Noise and
Noise-inspired Regularization [58.720142291102135]
近年、機械学習(ML)モデルはカオス力学系の力学を正確に予測するために訓練可能であることが示されている。
緩和技術がなければ、この技術は人工的に迅速にエラーを発生させ、不正確な予測と/または気候不安定をもたらす可能性がある。
トレーニング中にモデル入力に付加される多数の独立雑音実効化の効果を決定論的に近似する正規化手法であるLinearized Multi-Noise Training (LMNT)を導入する。
論文 参考訳(メタデータ) (2022-11-09T23:40:52Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - Improving Event Duration Prediction via Time-aware Pre-training [90.74988936678723]
持続時間予測に有効な2つのモデルを提案する。
1つのモデルは、期間値が該当する範囲/単位を予測し(R−pred)、もう1つのモデルは正確な期間値E−predを予測する。
我々の最良のモデル -- E-pred は、以前の作業よりも大幅に優れ、R-pred よりも正確に持続時間情報をキャプチャします。
論文 参考訳(メタデータ) (2020-11-05T01:52:11Z) - Smart Weather Forecasting Using Machine Learning:A Case Study in
Tennessee [2.9477900773805032]
本稿では,複数の気象観測所の過去のデータを利用して,シンプルな機械学習モデルを訓練する天気予報手法を提案する。
モデルの精度は、現在の最先端技術と併用するのに十分である。
論文 参考訳(メタデータ) (2020-08-25T02:41:32Z)
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。