論文の概要: Short-Term Electricity Demand Forecasting of Dhaka City Using CNN with Stacked BiLSTM
- arxiv url: http://arxiv.org/abs/2406.06651v1
- Date: Mon, 10 Jun 2024 09:02:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-12 20:44:57.190249
- Title: Short-Term Electricity Demand Forecasting of Dhaka City Using CNN with Stacked BiLSTM
- Title（参考訳）: 積層BiLSTMを用いたCNNを用いたダッカ市の短期電力需要予測
- Authors: Kazi Fuad Bin Akhter, Sadia Mobasshira, Saief Nowaz Haque, Mahjub Alam Khan Hesham, Tanvir Ahmed,
- Abstract要約: 本稿では,ダッカ市の電力需要を短時間で正確に予測するために,畳み込みニューラルネットワーク(CNN)と積み重ねた双方向長短項メモリ(BiLSTM)アーキテクチャのハイブリッドモデルを提案する。
提案手法は,MAPE 1.64%,MSE 0.015,RMSE 0.122,MAE 0.092の他のベンチマークモデルと比較して,最高の予測結果を得た。
- 参考スコア（独自算出の注目度）: 0.471858286267785
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The precise forecasting of electricity demand also referred to as load forecasting, is essential for both planning and managing a power system. It is crucial for many tasks, including choosing which power units to commit to, making plans for future power generation capacity, enhancing the power network, and controlling electricity consumption. As Bangladesh is a developing country, the electricity infrastructure is critical for economic growth and employment in this country. Accurate forecasting of electricity demand is crucial for ensuring that this country has a reliable and sustainable electricity supply to meet the needs of its growing population and economy. The complex and nonlinear behavior of such energy systems inhibits the creation of precise algorithms. Within this context, this paper aims to propose a hybrid model of Convolutional Neural Network (CNN) and stacked Bidirectional Long-short Term Memory (BiLSTM) architecture to perform an accurate short-term forecast of the electricity demand of Dhaka city. Short-term forecasting is ordinarily done to anticipate load for the following few hours to a few weeks. Normalization techniques have been also investigated because of the sensitivity of these models towards the input range. The proposed approach produced the best prediction results in comparison to the other benchmark models (LSTM, CNN- BiLSTM and CNN-LSTM) used in the study, with MAPE 1.64%, MSE 0.015, RMSE 0.122 and MAE 0.092. The result of the proposed model also outperformed some of the existing works on load-forecasting.
- Abstract（参考訳）: 電力需要の正確な予測は負荷予測とも呼ばれ、電力系統の計画と管理に不可欠である。
電力ユニットの選択、将来の発電能力の計画、電力ネットワークの強化、電力消費の制御など、多くのタスクに欠かせない。
バングラデシュは発展途上国であるため、電力インフラはこの国の経済成長と雇用に欠かせない。
電力需要の正確な予測は、人口増加と経済の需要を満たすため、この国が確実かつ持続可能な電力供給を確実にする上で不可欠である。
このようなエネルギー系の複雑な非線形挙動は、正確なアルゴリズムの作成を阻害する。
本稿では,ダッカ市の電力需要を短時間で正確に予測するために,畳み込みニューラルネットワーク(CNN)と積み重ねた双方向長短項メモリ(BiLSTM)アーキテクチャのハイブリッドモデルを提案する。
短期予測は通常、次の数時間から数週間の負荷を予測するために行われる。
また,これらのモデルが入力範囲に対して感度が高いため,正規化手法も検討されている。
提案手法は,MAPE 1.64%,MSE 0.015,RMSE 0.122,MAE 0.092に対して,他のベンチマークモデル (LSTM, CNN-BiLSTM, CNN-LSTM) と比較して最高の予測結果を得た。
提案したモデルの結果は、負荷予測に関する既存の作業よりも優れていた。
関連論文リスト
- Transfer learning for day-ahead load forecasting: a case study on
European national electricity demand time series [42.156081667752886]
電力グリッドの日々の運用には,短期負荷予測(STLF)が不可欠である。
ニューラルネットワーク(NN)モデルなど,STLFを改善するためのさまざまな予測手法が提案されている。
我々は、人気があり実装が容易なNNモデルを採用し、シリーズ間の類似パターンを特定するためにクラスタリング分析を行う。
論文 参考訳（メタデータ） (2023-10-24T06:54:50Z) - Electricity Demand Forecasting with Hybrid Statistical and Machine
Learning Algorithms: Case Study of Ukraine [0.0]
提案手法は2013年から2020年までのウクライナの電力消費の時間データを用いて構築された。
我々のハイブリッドモデルは、時間分解能で長期電力消費を予測するのに非常に効果的である。
論文 参考訳（メタデータ） (2023-04-11T12:15:50Z) - 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) - 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) - 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) - 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) - Panel semiparametric quantile regression neural network for electricity
consumption forecasting [0.0]
中国は、改革と開放の長期的な深化の中で、電力産業で大きな成果を上げている。
複雑な地域経済・社会・自然条件では、電力資源は均等に分配されず、中国の一部の地域では電気不足の原因となっている。
人工ニューラルネットワークと半パラメトリック量子回帰を利用したパネル半パラメトリック量子回帰ニューラルネットワーク(PSQRNN)を提案する。
論文 参考訳（メタデータ） (2021-03-01T02:47:26Z) - N-BEATS neural network for mid-term electricity load forecasting [8.430502131775722]
提案手法は,中期電力負荷予測問題の解決に有効であることを示す。
実装と訓練は簡単で、信号前処理は不要であり、予測バイアス低減機構を備えている。
実験的な研究によると、提案されたニューラルネットワークは、正確性と予測バイアスの両方の観点から、すべての競合より明らかに優れています。
論文 参考訳（メタデータ） (2020-09-24T21:48:08Z) - 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) - 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。