論文の概要: From Dense to Sparse: Event Response for Enhanced Residential Load Forecasting

• arxiv url: http://arxiv.org/abs/2501.02781v1
• Date: Mon, 06 Jan 2025 05:53:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-07 17:06:35.080456
• Title: From Dense to Sparse: Event Response for Enhanced Residential Load Forecasting
• Title（参考訳）: デンスからスパースへ:住宅負荷予測強化のためのイベント応答
• Authors: Xin Cao, Qinghua Tao, Yingjie Zhou, Lu Zhang, Le Zhang, Dongjin Song, Dapeng Oliver Wu, Ce Zhu,
• Abstract要約: 住宅負荷予測のためのイベント応答型知識ガイド手法(ERKG)を提案する。 ERKGは、異なる家電の電力使用状況の推定、負荷系列からのイベント関連スパース知識のマイニングを取り入れている。
• 参考スコア（独自算出の注目度）: 48.22398304557558
• License:
• Abstract: Residential load forecasting (RLF) is crucial for resource scheduling in power systems. Most existing methods utilize all given load records (dense data) to indiscriminately extract the dependencies between historical and future time series. However, there exist important regular patterns residing in the event-related associations among different appliances (sparse knowledge), which have yet been ignored.In this paper, we propose an Event-Response Knowledge Guided approach (ERKG) for RLF by incorporating the estimation of electricity usage events for different appliances, mining event-related sparse knowledge from the load series. With ERKG, the event-response estimation enables portraying the electricity consumption behaviors of residents, revealing regular variations in appliance operational states.To be specific, ERKG consists of knowledge extraction and guidance: i) a forecasting model is designed for the electricity usage events by estimating appliance operational states, aiming to extract the event-related sparse knowledge; ii) a novel knowledge-guided mechanism is established by fusing such state estimates of the appliance events into the RLF model, which can give particular focuses on the patterns of users' electricity consumption behaviors.Notably, ERKG can flexibly serve as a plug-in module to boost the capability of existing forecasting models by leveraging event response. In numerical experiments, extensive comparisons and ablation studies have verified the effectiveness of our ERKG, e.g., over 8% MAE can be reduced on the tested state-of-the-art forecasting models. The source code will be available at https://github.com/ergoucao/ERKG.
• Abstract（参考訳）: 電力系統の資源スケジューリングには住宅負荷予測(RLF)が不可欠である。 既存のほとんどの方法は、与えられたすべての負荷レコード(dense data)を使用して、履歴と将来の時系列間の依存関係を無差別に抽出する。 しかし, 各種機器(スパース知識)間のイベント関連関連に重要な規則的パターンがまだ無視されており, 本論文では, 負荷系列からイベント関連スパース知識を抽出し, 異なるアプライアンスに対する電力使用状況の推定を組み込んだイベント応答型知識ガイドアプローチ(ERKG)を提案する。 ERKGでは、事象応答推定により、住民の電力消費行動を表現することができ、家電運転状態の定期的な変動を明らかにし、具体的には、ERKGは知識抽出とガイダンスで構成されている。 一 機器の運転状態を推定し、事象に関する疎外知識の抽出を図ることにより、電力使用状況の予測モデルを設計すること。 二 新規な知識誘導機構は、アプライアンスイベントの状態推定をRLFモデルに融合させ、ユーザの電力消費行動のパターンに特に焦点をあてることにより確立され、特にERKGは、イベント応答を利用して既存の予測モデルの能力を高めるためのプラグインモジュールとして柔軟に機能することができる。 数値実験では, ERKG, 例えば, 8%以上のMAEが, 試験された最先端予測モデルで低減可能であることを確認した。 ソースコードはhttps://github.com/ergoucao/ERKGで入手できる。

関連論文リスト

• Estimating Causal Effects from Learned Causal Networks [56.14597641617531]
  本稿では、離散可観測変数に対する因果影響クエリに応答する代替パラダイムを提案する。 観測データから直接因果ベイズネットワークとその共起潜伏変数を学習する。 本手法は, 推定手法よりも有効であることを示す。
  論文  参考訳（メタデータ） (2024-08-26T08:39:09Z)
• 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)
• DiffPLF: A Conditional Diffusion Model for Probabilistic Forecasting of EV Charging Load [21.784993854707288]
  我々は、EV充電の確率的負荷予測のための新しい拡散モデルDiffPLFを考案した。 本稿では,DiffPLFを確率的時系列予測タスクに適応させるタスクインフォームド微調整手法を提案する。 その結果,従来の方法と比較して,MAEおよびCRPSでは39.58%,49.87%の顕著な上昇がみられた。
  論文  参考訳（メタデータ） (2024-02-21T06:07:33Z)
• Interactive Generalized Additive Model and Its Applications in Electric Load Forecasting [12.431475555894089]
  本稿では,電力産業において,解釈可能なだけでなく,特定の分野の知識を取り入れた対話型GAMを提案する。 我々の対話型GAMは、現在の最先端手法よりも優れており、極端な気象事象の場合に優れた一般化能力を示す。 インタラクティブなGAMをベースにしたユーザフレンドリーなWebベースのツールをローンチし、すでにeForecaster製品に組み込んでいます。
  論文  参考訳（メタデータ） (2023-10-24T09:17:47Z)
• Analysis of Weather and Time Features in Machine Learning-aided ERCOT Load Forecasting [0.2184775414778289]
  本研究は,短期システム全体の総負荷を予測するための入力機能の一部として,さまざまな時間と天気情報を取得する機械学習(ML)モデルを開発する。 同じ地域の実際の負荷と過去の気象データを処理し、その後MLモデルのトレーニングに使用した。 ケーススタディでは、ESROT負荷予測のための異なる天候と時間入力特性で訓練されたMLモデルの有効性が実証された。
  論文  参考訳（メタデータ） (2023-10-13T00:46:12Z)
• Exploring the Limits of Historical Information for Temporal Knowledge Graph Extrapolation [59.417443739208146]
  本稿では,歴史的コントラスト学習の新しい学習枠組みに基づくイベント予測モデルを提案する。 CENETは、最も潜在的なエンティティを識別するために、歴史的および非歴史的依存関係の両方を学ぶ。 提案したモデルを5つのベンチマークグラフで評価する。
  論文  参考訳（メタデータ） (2023-08-29T03:26:38Z)
• 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)
• 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)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Physics-Informed Gaussian Process Regression for Probabilistic States Estimation and Forecasting in Power Grids [67.72249211312723]
  電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。 PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。 提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
  論文  参考訳（メタデータ） (2020-10-09T14:18:31Z)

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。