論文の概要: Comprehensive Forecasting-Based Analysis of Hybrid and Stacked Stateful/ Stateless Models
- arxiv url: http://arxiv.org/abs/2404.19306v1
- Date: Tue, 30 Apr 2024 07:18:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-01 15:14:12.824914
- Title: Comprehensive Forecasting-Based Analysis of Hybrid and Stacked Stateful/ Stateless Models
- Title（参考訳）: 総合予測に基づくハイブリッドおよびスタックステートフル/ステートレスモデルの解析
- Authors: Swayamjit Saha,
- Abstract要約: 風速は再生可能エネルギーの強力な供給源であり、電力生産のための再生不可能な資源の代替として利用することができる。
本稿では,4つのディープリカレントニューラルネットワークについて論じる。スタックドステートレスLSTM,スタックドステートレスGRU,スタックドステートフルLSTM,スタックドステートフルGRU。
本論文は,それらのアーキテクチャを記述したモデルの性能を包括的に分析し,RMSE値の助けを借りて効率よく結果を導き出す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wind speed is a powerful source of renewable energy, which can be used as an alternative to the non-renewable resources for production of electricity. Renewable sources are clean, infinite and do not impact the environment negatively during production of electrical energy. However, while eliciting electrical energy from renewable resources viz. solar irradiance, wind speed, hydro should require special planning failing which may result in huge loss of labour and money for setting up the system. In this paper, we discuss four deep recurrent neural networks viz. Stacked Stateless LSTM, Stacked Stateless GRU, Stacked Stateful LSTM and Statcked Stateful GRU which will be used to predict wind speed on a short-term basis for the airport sites beside two campuses of Mississippi State University. The paper does a comprehensive analysis of the performance of the models used describing their architectures and how efficiently they elicit the results with the help of RMSE values. A detailed description of the time and space complexities of the above models has also been discussed.
- Abstract（参考訳）: 風速は再生可能エネルギーの強力な供給源であり、電力生産のための再生不可能な資源の代替として利用することができる。
再生可能エネルギー源はクリーンで無限であり、電気エネルギーの生産中に環境に悪影響を及ぼさない。
しかし、再生可能エネルギーからエネルギーを引き出す一方で、太陽の照度、風速、水力は特別な計画上の失敗を必要とし、システムを構築するための労働力と資金が失われる可能性がある。
本稿では,4つのディープリカレントニューラルネットワークvizについて論じる。
Stacked Stateless LSTM、Stacked Stateless GRU、Stacked Stateful LSTM、Statcked Stateful GRUは、ミシシッピ州立大学の2つのキャンパスの横にある空港の敷地で、短期的に風速を予測するために使用される。
本論文は,それらのアーキテクチャを記述したモデルの性能を包括的に分析し,RMSE値の助けを借りて効率よく結果を導き出す。
上記のモデルの時間と空間の複雑さの詳細な説明も議論されている。
関連論文リスト
- A Fault Prognostic System for the Turbine Guide Bearings of a Hydropower Plant Using Long-Short Term Memory (LSTM) [0.2796197251957245]
この研究は、HPPのタービン軸受のための人工的にインテリジェントな断層予測システムを開発することを目的としている。
提案手法は,Long Short-Term Memory (LSTM) アルゴリズムを用いてモデルの開発を行う。
このモデルでは, 振動値の高精度な予測を行い, 極めて低いRMSEを実現している。
論文 参考訳（メタデータ） (2024-07-26T18:45:42Z) - Efficient Deterministic Renewable Energy Forecasting Guided by Multiple-Location Weather Data [4.048814984274799]
本稿では,複数の発電施設を対象とした風力・太陽光発電予測手法を提案する。
気象及びエネルギー関連時系列の時間的処理にU字型の時間的畳み込み自動エンコーダアーキテクチャを用いる。
5つのデータセットの日平均太陽・風力エネルギー予測シナリオを実験により評価し,提案手法が最上位となることを示した。
論文 参考訳（メタデータ） (2024-04-26T09:30:55Z) - Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal
Transformer [112.12271800369741]
風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。
正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。
既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
論文 参考訳（メタデータ） (2023-05-30T04:03:15Z) - 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) - Low Emission Building Control with Zero-Shot Reinforcement Learning [70.70479436076238]
強化学習(RL)による制御は、建築エネルギー効率を著しく向上させることが示されている。
我々は、ゼロショットビルディング制御と呼ばれるパラダイムを優先せずに、排出削減ポリシーを得られることを示す。
論文 参考訳（メタデータ） (2022-08-12T17:13:25Z) - 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) - SunCast: Solar Irradiance Nowcasting from Geosynchronous Satellite Data [2.285928372124628]
本稿では,太陽フレーミングを次のフレーム予測問題として扱う畳み込み長短期記憶ネットワークモデルを提案する。
当社のモデルは、GPUを使わずに1台のマシン上で、北米全体の太陽光放射を最大3時間60秒で予測できる。
論文 参考訳（メタデータ） (2022-01-17T01:55:26Z) - 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) - Comprehensive forecasting based analysis using stacked stateless and
stateful Gated Recurrent Unit models [0.0]
太陽光発電は再生可能エネルギー源であり、産業で広く利用されている。
経済的に苦しむ国では、他の再生不可能な資源が既に枯渇しているため、エネルギーの潜在的な供給源となる可能性がある。
本稿は、西ベンガルの3つの地域と、GRU(Gated Recurrent Unit)モデルを用いた外部の4つの地域における太陽放射の予測について検討する。
論文 参考訳（メタデータ） (2020-08-12T21:13:16Z) - 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) - 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)
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。