論文の概要: Transfer Learning in Transformer-Based Demand Forecasting For Home
Energy Management System
- arxiv url: http://arxiv.org/abs/2310.19159v1
- Date: Sun, 29 Oct 2023 21:19:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-31 13:58:45.671686
- Title: Transfer Learning in Transformer-Based Demand Forecasting For Home
Energy Management System
- Title（参考訳）: 家庭エネルギー管理システムのためのトランスフォーマーベース需要予測における伝達学習
- Authors: Gargya Gokhale, Jonas Van Gompel, Bert Claessens, Chris Develder
- Abstract要約: 複数の世帯からのデータを活用して、単一世帯の負荷予測を改善することで、トランスファーラーニングがいかに役立つかを分析する。
具体的には、複数の異なる世帯のデータを用いて高度な予測モデルをトレーニングし、限られたデータを持つ新しい家庭でこのグローバルモデルを微調整する。
得られたモデルは、次の24時間(日頭)の家庭の電力消費を15分間の時間分解能で予測するために使用される。
- 参考スコア（独自算出の注目度）: 4.573008040057806
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Increasingly, homeowners opt for photovoltaic (PV) systems and/or battery
storage to minimize their energy bills and maximize renewable energy usage.
This has spurred the development of advanced control algorithms that maximally
achieve those goals. However, a common challenge faced while developing such
controllers is the unavailability of accurate forecasts of household power
consumption, especially for shorter time resolutions (15 minutes) and in a
data-efficient manner. In this paper, we analyze how transfer learning can help
by exploiting data from multiple households to improve a single house's load
forecasting. Specifically, we train an advanced forecasting model (a temporal
fusion transformer) using data from multiple different households, and then
finetune this global model on a new household with limited data (i.e. only a
few days). The obtained models are used for forecasting power consumption of
the household for the next 24 hours~(day-ahead) at a time resolution of 15
minutes, with the intention of using these forecasts in advanced controllers
such as Model Predictive Control. We show the benefit of this transfer learning
setup versus solely using the individual new household's data, both in terms of
(i) forecasting accuracy ($\sim$15\% MAE reduction) and (ii) control
performance ($\sim$2\% energy cost reduction), using real-world household data.
- Abstract（参考訳）: 住宅所有者は、電力料金を最小化し、再生可能エネルギーの使用を最大化するために、太陽光発電システムや蓄電池を選択する。
これにより、これらの目標を最大限に達成する高度な制御アルゴリズムの開発が促進された。
しかし、このようなコントローラを開発する際に直面する共通の課題は、特に短い時間解像度(15分)とデータ効率のよい方法で家庭の電力消費の正確な予測が不可能であることである。
本稿では,複数世帯のデータを活用して単一世帯の負荷予測を改善することで,トランスファー学習がいかに役立つかを分析する。
具体的には、複数の異なる家庭のデータを用いて高度な予測モデル(時間的融合トランスフォーマー)を訓練し、限られたデータ(つまりわずか数日)でこのグローバルモデルを新しい家庭に微調整する。
得られたモデルは、モデル予測制御のような先進的なコントローラでこれらの予測を使用することを目的として、15分間の時間分解能で家庭の電力消費を予測するために使用される。
我々は、この移行学習設定の利点を、両面において、個別の新規世帯のデータのみを使用することよりも示す。
(i)予測精度($15\%MAE削減)及び
(二)実世界の家庭データを用いた制御性能(二倍のエネルギーコスト削減)。
関連論文リスト
- Fast and interpretable electricity consumption scenario generation for individual consumers [0.0]
予測クラスタリング木(PCT)に基づく高速かつ解釈可能なシナリオ生成手法を提案する。
提案手法は, トレーニングや予測において, 少なくとも7倍の精度で, 最先端の時系列を生成する。
論文 参考訳（メタデータ） (2024-10-23T13:41:58Z) - 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) - 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) - Comparative Analysis of Time Series Forecasting Approaches for Household
Electricity Consumption Prediction [3.7458346891274013]
データマイニングツールであるWekaを使用して、まず、Kaggleのデータサイエンスコミュニティから利用可能な、時間給と日給のエネルギー消費データセットのモデルを適用します。
第2に,大韓民国選択世帯の世帯エネルギー消費を天気データと無気象データを用いて予測するために,時系列予測モデルであるARIMAとVARをピソンに導入した。
以上の結果から,エネルギー消費予測の最良の方法は,多層パーセプトロンとガウスプロセス回帰に続く支持ベクトル回帰であることがわかった。
論文 参考訳（メタデータ） (2022-07-03T12:16:54Z) - Advanced Statistical Learning on Short Term Load Process Forecasting [13.466565318976887]
短期負荷予測(STLF)は、電力消費者の効率的なスケジューリング、運転最適化取引、意思決定に必要である。
本研究では, ハードタイプデータセットのこれらの課題を管理するための統計非線形モデルを提案し, 最大2日前に15分間の周波数負荷を予測した。
論文 参考訳（メタデータ） (2021-10-19T12:32:40Z) - Efficient pre-training objectives for Transformers [84.64393460397471]
本研究はトランスフォーマーモデルにおける高効率事前学習目標について検討する。
マスクトークンの除去と損失時のアウトプット全体の考慮が,パフォーマンス向上に不可欠な選択であることを証明する。
論文 参考訳（メタデータ） (2021-04-20T00:09:37Z) - The impact of online machine-learning methods on long-term investment
decisions and generator utilization in electricity markets [69.68068088508505]
電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。
最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。
また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
論文 参考訳（メタデータ） (2021-03-07T11:28:54Z) - Investigating Underlying Drivers of Variability in Residential Energy
Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。
本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
論文 参考訳（メタデータ） (2021-02-16T16:56:27Z) - Distributed Deep Reinforcement Learning for Intelligent Load Scheduling
in Residential Smart Grids [9.208362060870822]
本研究では,不確実な要因に関する限られた情報を扱う世帯を対象としたモデルフリー手法を提案する。
次に、Pecan Street Inc.の現実世界のデータを使用します。
その結果,ピーク対平均比 (PAR) の約12%, 負荷分散の約11%の低減が達成できた。
論文 参考訳（メタデータ） (2020-06-29T15:01:51Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z) - 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。