論文の概要: Short-Term Electricity-Load Forecasting by Deep Learning: A Comprehensive Survey

• arxiv url: http://arxiv.org/abs/2408.16202v1
• Date: Thu, 29 Aug 2024 01:47:09 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-30 15:25:12.134386
• Title: Short-Term Electricity-Load Forecasting by Deep Learning: A Comprehensive Survey
• Title（参考訳）: ディープラーニングによる短期電力負荷予測:総合調査
• Authors: Qi Dong, Rubing Huang, Chenhui Cui, Dave Towey, Ling Zhou, Jinyu Tian, Jianzhou Wang,
• Abstract要約: 短期電力需要予測は、電力システムの即時需要(今後数時間から数日)を予測することを指す。 気象の変化や新しい電力消費シナリオの出現など、さまざまな外部要因が電力需要に影響を与える可能性がある。 深層学習はSTELFに適用され、高精度な電力需要のモデル化と予測を行っている。
• 参考スコア（独自算出の注目度）: 21.781972510427263
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Short-Term Electricity-Load Forecasting (STELF) refers to the prediction of the immediate demand (in the next few hours to several days) for the power system. Various external factors, such as weather changes and the emergence of new electricity consumption scenarios, can impact electricity demand, causing load data to fluctuate and become non-linear, which increases the complexity and difficulty of STELF. In the past decade, deep learning has been applied to STELF, modeling and predicting electricity demand with high accuracy, and contributing significantly to the development of STELF. This paper provides a comprehensive survey on deep-learning-based STELF over the past ten years. It examines the entire forecasting process, including data pre-processing, feature extraction, deep-learning modeling and optimization, and results evaluation. This paper also identifies some research challenges and potential research directions to be further investigated in future work.
• Abstract（参考訳）: 短期電力損失予測(英語: Short-Term Electricity-Load Forecasting, STELF)は、電力システムの即時需要(数時間から数日)の予測である。 気象の変化や新しい電力消費シナリオの出現といった様々な外部要因は、電力需要に影響し、負荷データが変動して非線形になり、STELFの複雑さと難易度が増大する。 過去10年間で、深層学習はSTELFに適用され、高い精度で電力需要をモデル化し予測し、STELFの開発に大きく貢献した。 本稿では,過去10年間のディープラーニングに基づくSTELFに関する包括的調査を行う。 データ前処理、特徴抽出、ディープラーニングモデリングと最適化、結果評価など、予測プロセス全体について検討する。 また,今後の研究課題や今後の研究の方向性についても検討する。

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)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• Meta-Regression Analysis of Errors in Short-Term Electricity Load Forecasting [0.0]
  本稿では,短期電力負荷予測の精度に影響を与える要因を考察するメタ回帰分析(MRA)を提案する。 59の研究で公表された421の予測モデルから得られたデータを利用する。 LSTMアプローチとニューラルネットワークと他のアプローチの組み合わせが最高の予測方法であることがわかった。
  論文  参考訳（メタデータ） (2023-05-29T18:26:51Z)
• A comparative assessment of deep learning models for day-ahead load forecasting: Investigating key accuracy drivers [2.572906392867547]
  短期負荷予測(STLF)は電力グリッドとエネルギー市場の効果的かつ経済的な運用に不可欠である。 STLFの文献ではいくつかのディープラーニングモデルが提案されており、有望な結果を報告している。
  論文  参考訳（メタデータ） (2023-02-23T17:11:04Z)
• 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)
• Advanced Statistical Learning on Short Term Load Process Forecasting [13.466565318976887]
  短期負荷予測(STLF)は、電力消費者の効率的なスケジューリング、運転最適化取引、意思決定に必要である。 本研究では, ハードタイプデータセットのこれらの課題を管理するための統計非線形モデルを提案し, 最大2日前に15分間の周波数負荷を予測した。
  論文  参考訳（メタデータ） (2021-10-19T12:32:40Z)
• Random vector functional link neural network based ensemble deep learning for short-term load forecasting [14.184042046855884]
  本稿では,電力負荷予測のための新しいアンサンブルディープランダム関数リンク(edRVFL)を提案する。 隠されたレイヤは、深い表現学習を強制するために積み上げられます。 モデルは各層の出力をアンサンブルすることで予測を生成する。
  論文  参考訳（メタデータ） (2021-07-30T01:20:48Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• 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)
• Investigating Underlying Drivers of Variability in Residential Energy Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
  スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。 本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
  論文  参考訳（メタデータ） (2021-02-16T16:56:27Z)

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。