論文の概要: Load Forecasting for Households and Energy Communities: Are Deep Learning Models Worth the Effort?

• arxiv url: http://arxiv.org/abs/2501.05000v1
• Date: Thu, 09 Jan 2025 06:29:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-10 13:58:35.481014
• Title: Load Forecasting for Households and Energy Communities: Are Deep Learning Models Worth the Effort?
• Title（参考訳）: 家庭とエネルギーコミュニティの負荷予測:ディープラーニングモデルは有用か?
• Authors: Lukas Moosbrugger, Valentin Seiler, Philipp Wohlgenannt, Sebastian Hegenbart, Sashko Ristov, Peter Kepplinger,
• Abstract要約: この研究は、エネルギーコミュニティにおける短期負荷予測のための最先端ディープラーニングモデルの広範なベンチマークを提供する。 LSTM、xLSTM、Transformerは、KNN、合成負荷モデル、永続化予測モデルなどのベンチマークと比較される。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Accurate load forecasting is crucial for predictive control in many energy domain applications, with significant economic and ecological implications. To address these implications, this study provides an extensive benchmark of state-of-the-art deep learning models for short-term load forecasting in energy communities. Namely, LSTM, xLSTM, and Transformers are compared with benchmarks such as KNNs, synthetic load models, and persistence forecasting models. This comparison considers different scales of aggregation (e.g., number of household loads) and varying training data availability (e.g., training data time spans). Further, the impact of transfer learning from synthetic (standard) load profiles and the deep learning model size (i.e., parameter count) is investigated in terms of forecasting error. Implementations are publicly available and other researchers are encouraged to benchmark models using this framework. Additionally, a comprehensive case study, comprising an energy community of 50 households and a battery storage demonstrates the beneficial financial implications of accurate predictions. Key findings of this research include: (1) Simple persistence benchmarks outperform deep learning models for short-term load forecasting when the available training data is limited to six months or less; (2) Pretraining with publicly available synthetic load profiles improves the normalized Mean Absolute Error (nMAE) by an average of 1.28%pt during the first nine months of training data; (3) Increased aggregation significantly enhances the performance of deep learning models relative to persistence benchmarks; (4) Improved load forecasting, with an nMAE reduction of 1.1%pt, translates to an economic benefit of approximately 600EUR per year in an energy community comprising 50 households.
• Abstract（参考訳）: 多くのエネルギー分野のアプリケーションにおいて、正確な負荷予測は予測制御に不可欠であり、経済的および生態学的に重要な意味を持つ。 これらの影響に対処するために、エネルギーコミュニティにおける短期負荷予測のための最先端ディープラーニングモデルの広範なベンチマークを提供する。 すなわち、LSTM、xLSTM、Transformerは、KNN、合成負荷モデル、永続化予測モデルなどのベンチマークと比較される。 この比較では、アグリゲーションの規模(例えば、家計負荷数)とトレーニングデータの可用性(例えば、トレーニングデータ時間)が異なる。 さらに、合成(標準)負荷プロファイルと深層学習モデルサイズ(パラメータ数)からの伝達学習の影響を予測誤差の観点から検討した。 実装は公開されており、他の研究者もこのフレームワークを使ってモデルをベンチマークすることを推奨している。 さらに,50世帯のエネルギーコミュニティと蓄電池の総合的なケーススタディにより,正確な予測の経済的意義が示された。 本研究の主な成果は,(1)訓練データの有効期間が6ヶ月以下の場合の短期的負荷予測において,簡易な持続性ベンチマークが深層学習モデルより優れていること,(2)訓練データの最初の9ヶ月で平均1.28%の正規化平均平均絶対誤差(nMAE)を改善すること,(3)持続性ベンチマークに対するディープラーニングモデルの性能を著しく向上すること,(4)nMAEの1.1%の削減による負荷予測の改善により,50世帯のエネルギーコミュニティにおいて,年間約600EURの経済的利益に変換すること,などである。

関連論文リスト

• Improve Load Forecasting in Energy Communities through Transfer Learning using Open-Access Synthetic Profiles [1.124958340749622]
  10GWエネルギーユーティリティの予測エラーを1%削減すれば、年間最大1.6億ドルの節約が可能になる。 本稿では,移動学習手法を用いて,オープンアクセス型合成負荷プロファイルを用いた負荷予測モデルの事前学習を提案する。
  論文  参考訳（メタデータ） (2024-07-11T12:17:31Z)
• Impact of data for forecasting on performance of model predictive control in buildings with smart energy storage [0.0]
  モデルデータ効率を改善するための尺度の予測精度への影響を定量化する。 負荷予測モデルに2年以上のトレーニングデータを使用することで,予測精度が大幅に向上することはなかった。 再使用したモデルと3ヶ月のデータでトレーニングされたモデルでは、ベースラインよりも平均10%高いエラーがあった。
  論文  参考訳（メタデータ） (2024-02-19T21:01:11Z)
• Reusing Pretrained Models by Multi-linear Operators for Efficient Training [65.64075958382034]
  大規模なモデルをスクラッチからトレーニングすることは、通常、かなりの量のリソースを必要とする。 bert2BERT や LiGO といった最近の研究は、大規模なモデルを初期化するために、小さな事前訓練されたモデルを再利用している。 本稿では,対象モデルの各重みを事前学習モデルの全重みに線形に相関させる手法を提案する。
  論文  参考訳（メタデータ） (2023-10-16T06:16:47Z)
• Scaling Laws for Sparsely-Connected Foundation Models [70.41266138010657]
  大規模データセット上でトレーニングしたトランスフォーマーのスケーリング挙動に及ぼすパラメータ空間の影響について検討する。 重み空間,非ゼロパラメータ数,およびトレーニングデータの量との関係を記述した最初のスケーリング法則を同定する。
  論文  参考訳（メタデータ） (2023-09-15T16:29:27Z)
• DECODE: Data-driven Energy Consumption Prediction leveraging Historical Data and Environmental Factors in Buildings [1.2891210250935148]
  本稿では,建築エネルギー消費の予測を目的としたLong Short-Term Memory (LSTM)モデルを提案する。 LSTMモデルは、住宅や商業ビルの正確な短時間、中長期のエネルギー予測を提供する。 これは例外的な予測精度を示し、R2スコアは0.97で、平均絶対誤差(MAE)は0.007である。
  論文  参考訳（メタデータ） (2023-09-06T11:02:53Z)
• 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)
• Learning Sample Difficulty from Pre-trained Models for Reliable Prediction [55.77136037458667]
  本稿では,大規模事前学習モデルを用いて,サンプル難易度を考慮したエントロピー正規化による下流モデルトレーニングを指導する。 我々は、挑戦的なベンチマークで精度と不確実性の校正を同時に改善する。
  論文  参考訳（メタデータ） (2023-04-20T07:29:23Z)
• 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)
• Sparse MoEs meet Efficient Ensembles [49.313497379189315]
  このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。 Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
  論文  参考訳（メタデータ） (2021-10-07T11:58:35Z)
• 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)

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。