論文の概要: Enhanced Photovoltaic Power Forecasting: An iTransformer and LSTM-Based Model Integrating Temporal and Covariate Interactions

• arxiv url: http://arxiv.org/abs/2412.02302v1
• Date: Tue, 03 Dec 2024 09:16:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:48:47.985178
• Title: Enhanced Photovoltaic Power Forecasting: An iTransformer and LSTM-Based Model Integrating Temporal and Covariate Interactions
• Title（参考訳）: 太陽光パワー予測の強化:時間・共変量相互作用を統合したiTransformerとLSTMに基づくモデル
• Authors: Guang Wu, Yun Wang, Qian Zhou, Ziyang Zhang,
• Abstract要約: 既存のモデルは、しばしばターゲット変数と共変量の間の複雑な関係を捉えるのに苦労する。 対象変数からの特徴抽出にiTransformerを利用する新しいモデルアーキテクチャを提案する。 クロスアテンション機構は両方のモデルの出力を融合するために統合され、続いてコルモゴロフ・アルノルドネットワークマッピングが続く。 その結果, PV発電の季節変動を効果的に把握し, 予測精度を向上することが示唆された。
• 参考スコア（独自算出の注目度）: 16.705621552594643
• License:
• Abstract: Accurate photovoltaic (PV) power forecasting is critical for integrating renewable energy sources into the grid, optimizing real-time energy management, and ensuring energy reliability amidst increasing demand. However, existing models often struggle with effectively capturing the complex relationships between target variables and covariates, as well as the interactions between temporal dynamics and multivariate data, leading to suboptimal forecasting accuracy. To address these challenges, we propose a novel model architecture that leverages the iTransformer for feature extraction from target variables and employs long short-term memory (LSTM) to extract features from covariates. A cross-attention mechanism is integrated to fuse the outputs of both models, followed by a Kolmogorov-Arnold network (KAN) mapping for enhanced representation. The effectiveness of the proposed model is validated using publicly available datasets from Australia, with experiments conducted across four seasons. Results demonstrate that the proposed model effectively capture seasonal variations in PV power generation and improve forecasting accuracy.
• Abstract（参考訳）: 太陽光発電(PV)の正確な電力予測は、再生可能エネルギー源をグリッドに統合し、リアルタイムエネルギー管理を最適化し、需要が増大する中でエネルギーの信頼性を確保するために重要である。 しかし、既存のモデルは、しばしば、ターゲット変数と共変量の間の複雑な関係を効果的に捉え、時間的ダイナミクスと多変量データの相互作用を効果的に捉え、最適な予測精度をもたらす。 これらの課題に対処するために、ターゲット変数からの特徴抽出にiTransformerを活用し、長寿命メモリ(LSTM)を用いて共変量から特徴を抽出する新しいモデルアーキテクチャを提案する。 両モデルの出力を融合するために、クロスアテンション機構が統合され、その後、拡張表現のためのコルモゴロフ・アルノルドネットワーク(KAN)マッピングが続く。 提案モデルの有効性は,オーストラリアから公開されているデータセットを用いて検証し,4シーズンにわたって実験を行った。 その結果, PV発電の季節変動を効果的に把握し, 予測精度を向上することが示唆された。

関連論文リスト

• Integrating Physics and Data-Driven Approaches: An Explainable and Uncertainty-Aware Hybrid Model for Wind Turbine Power Prediction [1.1270209626877075]
  風力エネルギーセクターの急速な成長は、タービンの運転を最適化する緊急の必要性を浮き彫りにしている。 伝統的な経験的モデルと物理学に基づくモデルは、風速に基づく発電の近似予測を提供する。 データ駆動機械学習手法は、風力タービンモデリングを改善するための有望な道を示す。
  論文  参考訳（メタデータ） (2025-02-11T08:16:48Z)
• Powerformer: A Transformer with Weighted Causal Attention for Time-series Forecasting [50.298817606660826]
  我々は,非因果重みをスムーズな重み付き崩壊に応じて再加重する因果重みに置き換える新しいトランスフォーマーであるPowerformerを紹介する。 我々の実証実験の結果,Powerformer は公開時系列ベンチマークで最先端の精度を達成できた。 分析の結果、トレーニング中にモデルの局所性バイアスが増幅され、時系列データとパワールールに基づく注意の相互作用が示されることがわかった。
  論文  参考訳（メタデータ） (2025-02-10T04:42:11Z)
• Ister: Inverted Seasonal-Trend Decomposition Transformer for Explainable Multivariate Time Series Forecasting [10.32586981170693]
  Inverted Seasonal-Trend Decomposition Transformer (Ister) 本稿では,解釈可能性,計算効率,予測精度を向上させる新しいDotアテンション機構を提案する。 Isterはコンポーネントのコントリビューションを直感的に視覚化し、モデルの意思決定プロセスに光を流し、予測結果の透明性を高める。
  論文  参考訳（メタデータ） (2024-12-25T06:37:19Z)
• Energy-Based Diffusion Language Models for Text Generation [126.23425882687195]
  エネルギーベース拡散言語モデル(Energy-based Diffusion Language Model, EDLM)は、拡散ステップごとに全シーケンスレベルで動作するエネルギーベースモデルである。 我々のフレームワークは、既存の拡散モデルよりも1.3$times$のサンプリングスピードアップを提供する。
  論文  参考訳（メタデータ） (2024-10-28T17:25:56Z)
• Weather-Informed Probabilistic Forecasting and Scenario Generation in Power Systems [15.393565192962482]
  再生可能エネルギー源の電力グリッドへの統合は、その本質性と不確実性のために大きな課題を呈している。 本稿では,高次元環境下での日頭予測と風のシナリオ生成のための確率予測とガウスコプラを組み合わせる手法を提案する。
  論文  参考訳（メタデータ） (2024-09-11T21:44:59Z)
• 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)
• 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)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• 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)
• Your Autoregressive Generative Model Can be Better If You Treat It as an Energy-Based One [83.5162421521224]
  本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。 E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。 我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
  論文  参考訳（メタデータ） (2022-06-26T10:58:41Z)
• 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)

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。