論文の概要: mshw, a forecasting library to predict short-term electricity demand
based on multiple seasonal Holt-Winters
- arxiv url: http://arxiv.org/abs/2402.10982v1
- Date: Thu, 15 Feb 2024 23:08:18 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-21 00:16:33.883302
- Title: mshw, a forecasting library to predict short-term electricity demand
based on multiple seasonal Holt-Winters
- Title(参考訳): 複数の季節的ホルトウィンターに基づく短期電力需要予測ライブラリmshw
- Authors: Oscar Trull, and J. Carlos Garc\'ia-D\'iaz, and Angel Peir\'o-Signes
- Abstract要約: 現在の電力システムは、電力市場が電気価格を確立するために需要予測を必要とする。
最も一般的な予測形式は、両方の技術を使用するハイブリッドモデルに基づいている。
本稿では,電気需要予測のためのツールボックスを提案する。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Transmission system operators have a growing need for more accurate
forecasting of electricity demand. Current electricity systems largely require
demand forecasting so that the electricity market establishes electricity
prices as well as the programming of production units. The companies that are
part of the electrical system use exclusive software to obtain predictions,
based on the use of time series and prediction tools, whether statistical or
artificial intelligence. However, the most common form of prediction is based
on hybrid models that use both technologies. In any case, it is software with a
complicated structure, with a large number of associated variables and that
requires a high computational load to make predictions. The predictions they
can offer are not much better than those that simple models can offer. In this
paper we present a MATLAB toolbox created for the prediction of electrical
demand. The toolbox implements multiple seasonal Holt-Winters exponential
smoothing models and neural network models. The models used include the use of
discrete interval mobile seasonalities (DIMS) to improve forecasting on special
days. Additionally, the results of its application in various electrical
systems in Europe are shown, where the results obtained can be seen. The use of
this library opens a new avenue of research for the use of models with discrete
and complex seasonalities in other fields of application.
- Abstract(参考訳): 送電系統の事業者は、より正確な電力需要予測の必要性が高まっている。
現在の電力システムは、電力市場が電力価格と生産ユニットのプログラミングを確立するために需要予測を必要とする。
電気システムの一部である企業は、統計や人工知能に関わらず、時系列や予測ツールの使用に基づいて、排他的ソフトウェアを使用して予測を得る。
しかしながら、最も一般的な予測形式は、両方の技術を使用するハイブリッドモデルに基づいている。
いずれにしても、多くの関連する変数を持つ複雑な構造を持つソフトウェアであり、予測を行うには高い計算負荷を必要とする。
彼らが提供できる予測は、単純なモデルが提供できる予測よりもそれほど良くない。
本稿では,電気需要予測のためのMATLABツールボックスを提案する。
このツールボックスは、複数の季節的なHolt-Winters指数スムージングモデルとニューラルネットワークモデルを実装している。
モデルは、特別日の予報を改善するために離散区間移動季節性(dims)を使用することを含む。
さらに、ヨーロッパの様々な電気システムにおけるその応用結果を示し、その結果を見ることができる。
このライブラリの使用は、他の分野における離散的および複雑な季節性を持つモデルの使用のための新しい研究の道を開く。
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) - 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) - Analysis of Weather and Time Features in Machine Learning-aided ERCOT
Load Forecasting [0.2184775414778289]
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。
論文 参考訳(メタデータ) (2023-10-13T00:46:12Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳(メタデータ) (2023-10-09T18:34:29Z) - Masked Multi-Step Probabilistic Forecasting for Short-to-Mid-Term
Electricity Demand [7.544120398993689]
Masked Multi-Step Multi Probabilistic Forecasting (MMMPF)は、ニューラルネットワークモデルをトレーニングするための、新しく一般的なフレームワークである。
過去の時間的情報と未来に関する既知の情報を組み合わせて確率的予測を行う。
MMMPFは、不確実性を捉え、将来のグリッドの確率的計画を可能にするために、望ましい量子化物を生成することもできる。
論文 参考訳(メタデータ) (2023-02-14T04:09:03Z) - 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) - Machine learning applications for electricity market agent-based models:
A systematic literature review [68.8204255655161]
エージェントベースのシミュレーションは、電気市場のダイナミクスをよりよく理解するために使用される。
エージェントベースのモデルは、機械学習と人工知能を統合する機会を提供する。
我々は、エージェントベースの電気市場モデルに適用された機械学習に焦点を当てた2016年から2021年の間に発行された55の論文をレビューする。
論文 参考訳(メタデータ) (2022-06-05T14:52:26Z) - 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) - Automatic digital twin data model generation of building energy systems
from piping and instrumentation diagrams [58.720142291102135]
建物からP&IDのシンボルや接続を自動で認識する手法を提案する。
シンボル認識,線認識,およびデータセットへの接続の導出にアルゴリズムを適用する。
このアプローチは、制御生成、(分散)モデル予測制御、障害検出といった、さらなるプロセスで使用することができる。
論文 参考訳(メタデータ) (2021-08-31T15:09:39Z) - Short-Term Load Forecasting using Bi-directional Sequential Models and
Feature Engineering for Small Datasets [6.619735628398446]
本稿では,双方向逐次モデルに基づく短期負荷予測のためのディープラーニングアーキテクチャを提案する。
提案したアーキテクチャでは、生の入力と手作りの特徴を異なるレベルで訓練し、それぞれの出力を組み合わせて最終的な予測を行う。
提案手法の有効性は, 全く異なるパターンを持つ5カ国のデータセットを用いて評価した。
論文 参考訳(メタデータ) (2020-11-28T14:11:35Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳(メタデータ) (2020-03-10T09:15:42Z)
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。