論文の概要: Robust Load Prediction of Power Network Clusters Based on Cloud-Model-Improved Transformer
- arxiv url: http://arxiv.org/abs/2407.20817v1
- Date: Tue, 30 Jul 2024 13:32:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-31 17:10:01.070674
- Title: Robust Load Prediction of Power Network Clusters Based on Cloud-Model-Improved Transformer
- Title（参考訳）: Cloud-Model-Improved Transformerに基づく電力ネットワーククラスタのロバスト負荷予測
- Authors: Cheng Jiang, Gang Lu, Xue Ma, Di Wu,
- Abstract要約: 負荷予測の主要な方法であるTransformerモデルは、天気、イベント、フェスティバル、データのボラティリティといった変数による履歴データモデリングの課題に直面している。
これを解決するために、クラウドモデルのファジィ機能を使用して不確実性を効果的に管理する。
Cloud Model Improved Transformer (CMIT) 法は、Transformer モデルと、粒子群最適化アルゴリズムを利用したクラウドモデルを統合する。
- 参考スコア（独自算出の注目度）: 3.8801337536879505
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Load data from power network clusters indicates economic development in each area, crucial for predicting regional trends and guiding power enterprise decisions. The Transformer model, a leading method for load prediction, faces challenges modeling historical data due to variables like weather, events, festivals, and data volatility. To tackle this, the cloud model's fuzzy feature is utilized to manage uncertainties effectively. Presenting an innovative approach, the Cloud Model Improved Transformer (CMIT) method integrates the Transformer model with the cloud model utilizing the particle swarm optimization algorithm, with the aim of achieving robust and precise power load predictions. Through comparative experiments conducted on 31 real datasets within a power network cluster, it is demonstrated that CMIT significantly surpasses the Transformer model in terms of prediction accuracy, thereby highlighting its effectiveness in enhancing forecasting capabilities within the power network cluster sector.
- Abstract（参考訳）: 電力ネットワーククラスタからの負荷データは、地域動向を予測し、企業決定を導く上で不可欠な、各地域の経済発展を示す。
負荷予測の主要な方法であるTransformerモデルは、天気、イベント、フェスティバル、データのボラティリティといった変数による履歴データモデリングの課題に直面している。
これを解決するために、クラウドモデルのファジィ機能を使用して不確実性を効果的に管理する。
革新的なアプローチとして、Cloud Model Improved Transformer (CMIT)法は、堅牢で正確な電力負荷予測を実現することを目的として、Transformerモデルとパーティクルスウォーム最適化アルゴリズムを利用したクラウドモデルを統合する。
電力ネットワーククラスタ内の31の実データセットを対象とした比較実験により、CMITは予測精度においてトランスフォーマーモデルを大幅に上回り、電力ネットワーククラスタセクタ内の予測能力を向上する効果を浮き彫りにした。
関連論文リスト
- AdaOcc: Adaptive Forward View Transformation and Flow Modeling for 3D Occupancy and Flow Prediction [56.72301849123049]
CVPR 2024 における nuScenes Open-Occ データセットチャレンジにおいて,視覚中心の3次元活動とフロー予測トラックのソリューションを提案する。
我々の革新的なアプローチは、適応的なフォワード・ビュー・トランスフォーメーションとフロー・モデリングを取り入れることで、3次元の占有率とフロー予測を向上させる2段階のフレームワークである。
提案手法は回帰と分類を組み合わせることで,様々な場面におけるスケールの変動に対処し,予測フローを利用して将来のフレームに現行のボクセル特徴をワープする。
論文 参考訳（メタデータ） (2024-07-01T16:32:15Z) - Towards Robust and Efficient Cloud-Edge Elastic Model Adaptation via Selective Entropy Distillation [56.79064699832383]
Cloud-Edge Elastic Model Adaptation (CEMA)パラダイムを確立し、エッジモデルが前方伝播のみを実行するようにします。
CEMAでは,通信負担を軽減するため,不要なサンプルをクラウドにアップロードすることを避けるための2つの基準を考案した。
論文 参考訳（メタデータ） (2024-02-27T08:47:19Z) - Learning-Based Biharmonic Augmentation for Point Cloud Classification [79.13962913099378]
Biharmonic Augmentation (BA)は、新しくて効率的なデータ拡張技術である。
BAは、既存の3D構造にスムーズな非剛性変形を与えることにより、点雲データを多様化する。
本稿では,先進的なオンライン強化システムであるAdvTuneについて紹介する。
論文 参考訳（メタデータ） (2023-11-10T14:04:49Z) - FedWOA: A Federated Learning Model that uses the Whale Optimization
Algorithm for Renewable Energy Prediction [0.0]
本稿では,フェデレート学習モデルについて紹介する。フェデレーション学習モデルは,プロシューマーエネルギーデータに基づいて訓練された局所ニューラルネットワークモデルの重みから,グローバル予測モデルを集約する。
その結果,FedAVGと比較して,MSEでは25%,MAEでは16%の精度でエネルギー予測モデルの精度を効果的に向上できることがわかった。
論文 参考訳（メタデータ） (2023-09-19T05:44:18Z) - Differential Evolution Algorithm based Hyper-Parameters Selection of
Transformer Neural Network Model for Load Forecasting [0.0]
トランスフォーマーモデルは、そのアテンションメカニズムから派生した長距離依存を学習できるため、ロード予測を改善する可能性がある。
我々の研究は,平均二乗誤差 (MSE) や平均絶対パーセンテージ誤差 (MAPE) といった数値に基づく負荷予測において,異なるメタヒューリスティックアルゴリズムと統合されたトランスフォーマーベースニューラルネットワークモデルを比較した。
論文 参考訳（メタデータ） (2023-07-28T04:29:53Z) - MATNet: Multi-Level Fusion Transformer-Based Model for Day-Ahead PV
Generation Forecasting [0.47518865271427785]
MATNetはPV発電予測のための新しい自己アテンショントランスフォーマーベースのアーキテクチャである。
これは、AIパラダイムとPV発電に関する以前の物理的知識を組み合わせたハイブリッドアプローチで構成されている。
その結果,提案アーキテクチャは現在の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2023-06-17T14:03:09Z) - PCPNet: An Efficient and Semantic-Enhanced Transformer Network for Point
Cloud Prediction [0.0]
我々は,将来的なLiDAR点雲を予測するために,トランスフォーマーベースのネットワークを提案する。
また,予測されたLiDAR点列を,地上の真実と意味的に類似させるためのセマンティック補助訓練戦略を設計する。
提案手法は,予測結果と意味的類似性において最先端のPCP手法より優れ,実時間性能も良好である。
論文 参考訳（メタデータ） (2023-04-16T13:12:33Z) - An Energy-Based Prior for Generative Saliency [62.79775297611203]
本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。
生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。
実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
論文 参考訳（メタデータ） (2022-04-19T10:51:00Z) - Wasserstein Adversarial Transformer for Cloud Workload Prediction [5.4168067277885825]
この研究は、TransformerネットワークにインスパイアされたWGAN-gp Transformerと呼ばれる新しい時系列予測モデルを示し、Wasserstein-GANを改良した。
提案手法では,トランスフォーマーネットワークをジェネレータとして,マルチ層パーセプトロンを批判として採用する。
We show WGAN-gp Transformer achieve a 5 more inference time with up 5.1% higher prediction accuracy against the State-of-the-art approach。
論文 参考訳（メタデータ） (2022-03-12T18:58:00Z) - Learning Generative Vision Transformer with Energy-Based Latent Space
for Saliency Prediction [51.80191416661064]
本稿では,有意な物体検出に先立って,潜伏変数を持つ新しい視覚変換器を提案する。
ビジョントランスネットワークとエネルギーベース先行モデルの両方は、マルコフ連鎖モンテカルロによる最大推定を通じて共同で訓練される。
生成型視覚変換器により、画像から容易に画素単位の不確実性マップを得ることができ、画像から唾液濃度を予測するためのモデル信頼度を示す。
論文 参考訳（メタデータ） (2021-12-27T06:04:33Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z)
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。