論文の概要: Deep Convolutional Neural Networks for Short-Term Multi-Energy Demand Prediction of Integrated Energy Systems

• arxiv url: http://arxiv.org/abs/2312.15497v1
• Date: Sun, 24 Dec 2023 14:56:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-27 17:51:57.179641
• Title: Deep Convolutional Neural Networks for Short-Term Multi-Energy Demand Prediction of Integrated Energy Systems
• Title（参考訳）: 統合エネルギーシステムの短期多エネルギー需要予測のための深部畳み込みニューラルネットワーク
• Authors: Corneliu Arsene
• Abstract要約: 本稿では,多エネルギー消費予測のための畳み込みニューラルネットワーク(CNN)に基づく新しい6つの予測モデルを開発する。 これらのモデルは、新しい統合型電気・熱・ガスネットワークシステムに包括的に適用される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Forecasting power consumptions of integrated electrical, heat or gas network systems is essential in order to operate more efficiently the whole energy network. Multi-energy systems are increasingly seen as a key component of future energy systems, and a valuable source of flexibility, which can significantly contribute to a cleaner and more sustainable whole energy system. Therefore, there is a stringent need for developing novel and performant models for forecasting multi-energy demand of integrated energy systems, which to account for the different types of interacting energy vectors and of the coupling between them. Previous efforts in demand forecasting focused mainly on the single electrical power consumption or, more recently, on the single heat or gas power consumptions. In order to address this gap, in this paper six novel prediction models based on Convolutional Neural Networks (CNNs) are developed, for either individual or joint prediction of multi-energy power consumptions: the single input/single output CNN model with determining the optimum number of epochs (CNN_1), the multiple input/single output CNN model (CNN_2), the single input/ single output CNN model with training/validation/testing datasets (CNN_3), the joint prediction CNN model (CNN_4), the multiple-building input/output CNN model (CNN_5) and the federated learning CNN model (CNN_6). All six novel CNN models are applied in a comprehensive manner on a novel integrated electrical, heat and gas network system, which only recently has started to be used for forecasting. The forecast horizon is short-term (next half an hour) and all the predictions results are evaluated in terms of the Signal to Noise Ratio (SNR) and the Normalized Root Mean Square Error (NRMSE), while the Mean Absolute Percentage Error (MAPE) is used for comparison purposes with other existent results from literature.
• Abstract（参考訳）: エネルギーネットワーク全体を効率的に運用するためには、統合電気・熱・ガスネットワークシステムの電力消費予測が不可欠である。 マルチエネルギーシステムは、将来のエネルギーシステムの主要な構成要素であり、よりクリーンで持続可能なエネルギーシステムに大きく貢献する貴重な柔軟性の源であると考えられている。 したがって、相互作用するエネルギーベクトルの異なるタイプとそれら間のカップリングを考慮に入れた統合エネルギーシステムの多エネルギー需要を予測するための、新規で高性能なモデルを開発する必要がある。 需要予測におけるこれまでの取り組みは、主に単一電力消費か、あるいは近年では単一熱またはガス電力消費に焦点が当てられた。 In order to address this gap, in this paper six novel prediction models based on Convolutional Neural Networks (CNNs) are developed, for either individual or joint prediction of multi-energy power consumptions: the single input/single output CNN model with determining the optimum number of epochs (CNN_1), the multiple input/single output CNN model (CNN_2), the single input/ single output CNN model with training/validation/testing datasets (CNN_3), the joint prediction CNN model (CNN_4), the multiple-building input/output CNN model (CNN_5) and the federated learning CNN model (CNN_6). 6つの新しいCNNモデルは全て、新しい統合型電気・熱・ガスネットワークシステムに包括的に適用され、最近になって予測に使われ始めたばかりである。 予測地平線は短期(次の30分)であり、全ての予測結果は信号対雑音比(snr)と正規化根平均二乗誤差(nrmse)を用いて評価され、一方平均絶対パーセンテージ誤差(mape)は他の文献から存在する結果と比較するために用いられる。

関連論文リスト

• Clustering-based Multitasking Deep Neural Network for Solar Photovoltaics Power Generation Prediction [16.263501526929975]
  本稿では,PV発電予測のためのマルチタスクディープニューラルネットワーク(CM-DNN)フレームワークを提案する。 各タイプに対して、ディープニューラルネットワーク(DNN)が採用され、精度が向上するまで訓練される。 特定の顧客タイプに対しては、トレーニング精度を高めるためにモデル間知識伝達を行う。 提案するCM-DNNは、現実のPV発電データセット上でテストされる。
  論文  参考訳（メタデータ） (2024-05-09T00:08:21Z)
• MSDC: Exploiting Multi-State Power Consumption in Non-intrusive Load Monitoring based on A Dual-CNN Model [18.86649389838833]
  非侵入負荷モニタリング(NILM)は、集積電気利用信号から家電固有の電力消費に分解することを目的としている。 我々は新しいニューラルNILMモデルであるMulti-State Dual CNN(MSDC)を設計する。 MSDCは、アプライアンスの複数の状態と状態遷移に関する情報を明示的に抽出し、アプライアンスの信号の予測を制御する。
  論文  参考訳（メタデータ） (2023-02-11T01:56:54Z)
• Fluid Batching: Exit-Aware Preemptive Serving of Early-Exit Neural Networks on Edge NPUs [74.83613252825754]
  スマートエコシステム(smart ecosystems)"は、スタンドアロンではなく、センセーションが同時に行われるように形成されています。 これはデバイス上の推論パラダイムを、エッジにニューラル処理ユニット(NPU)をデプロイする方向にシフトしている。 そこで本研究では,実行時のプリエンプションが到着・終了プロセスによってもたらされる動的性を考慮に入れた,新しい早期終了スケジューリングを提案する。
  論文  参考訳（メタデータ） (2022-09-27T15:04:01Z)
• EVE: Environmental Adaptive Neural Network Models for Low-power Energy Harvesting System [8.16411986220709]
  環境からエネルギーを回収するエネルギー収穫技術は、これらのデバイスを動かすための電池に代わる有望な選択肢だ。 本稿では,エネルギ収穫用IoTデバイスを共有重み付きで検索する機械学習フレームワークであるEVEを提案する。 実験結果から、EVEが生成するニューラルネットワークモデルは、プルーニングや共有重みのないベースラインモデルよりも平均2.5倍高速であることがわかった。
  論文  参考訳（メタデータ） (2022-07-14T20:53:46Z)
• 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)
• Pretraining Graph Neural Networks for few-shot Analog Circuit Modeling and Design [68.1682448368636]
  本稿では、新しい未知のトポロジや未知の予測タスクに適応可能な回路表現を学習するための教師付き事前学習手法を提案する。 異なる回路の変動位相構造に対処するため、各回路をグラフとして記述し、グラフニューラルネットワーク(GNN)を用いてノード埋め込みを学習する。 出力ノード電圧の予測における事前学習GNNは、新しい未知のトポロジや新しい回路レベル特性の予測に適応可能な学習表現を促進することができることを示す。
  論文  参考訳（メタデータ） (2022-03-29T21:18:47Z)
• Enhanced physics-constrained deep neural networks for modeling vanadium redox flow battery [62.997667081978825]
  本稿では,物理制約付き深部ニューラルネットワーク(PCDNN)による高精度電圧予測手法を提案する。 ePCDNNは、電圧放電曲線のテール領域を含む電荷放電サイクルを通して、電圧応答を正確にキャプチャすることができる。
  論文  参考訳（メタデータ） (2022-03-03T19:56:24Z)
• Demand Forecasting in Smart Grid Using Long Short-Term Memory [0.0]
  Long Short-Term Memory (LSTM) は時系列データの予測において有望な結果を示す。 本稿では、ニューラルネットワークアーキテクチャを用いたLSTMに基づくモデルを提案し、電力需要を予測する。
  論文  参考訳（メタデータ） (2021-07-28T21:45:54Z)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• Model Fusion via Optimal Transport [64.13185244219353]
  ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。 これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
  論文  参考訳（メタデータ） (2019-10-12T22:07:15Z)

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。