論文の概要: Kolmogorov-Arnold Recurrent Network for Short Term Load Forecasting Across Diverse Consumers
- arxiv url: http://arxiv.org/abs/2501.06965v1
- Date: Sun, 12 Jan 2025 22:49:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-14 14:26:47.038787
- Title: Kolmogorov-Arnold Recurrent Network for Short Term Load Forecasting Across Diverse Consumers
- Title(参考訳): Kolmogorov-Arnold Recurrent Network for Short Term Load Forecasting Averse Consumers
- Authors: Muhammad Umair Danish, Katarina Grolinger,
- Abstract要約: 本稿では,Kolmogorov-Arnold Networksの柔軟性とRNNの時間的モデリング機能を組み合わせた新しい負荷予測手法を提案する。
提案したKARNモデルは、学生の住居、別荘、電気自動車充電施設、タウンハウス、工業ビルなど、様々な現実世界のデータセットで厳格に評価された。
その結果、KARNの精度と適用性は優れており、多様なエネルギー管理シナリオにおける負荷予測を強化するための有望なツールとなっている。
- 参考スコア(独自算出の注目度): 0.9208007322096533
- License:
- Abstract: Load forecasting plays a crucial role in energy management, directly impacting grid stability, operational efficiency, cost reduction, and environmental sustainability. Traditional Vanilla Recurrent Neural Networks (RNNs) face issues such as vanishing and exploding gradients, whereas sophisticated RNNs such as LSTMs have shown considerable success in this domain. However, these models often struggle to accurately capture complex and sudden variations in energy consumption, and their applicability is typically limited to specific consumer types, such as offices or schools. To address these challenges, this paper proposes the Kolmogorov-Arnold Recurrent Network (KARN), a novel load forecasting approach that combines the flexibility of Kolmogorov-Arnold Networks with RNN's temporal modeling capabilities. KARN utilizes learnable temporal spline functions and edge-based activations to better model non-linear relationships in load data, making it adaptable across a diverse range of consumer types. The proposed KARN model was rigorously evaluated on a variety of real-world datasets, including student residences, detached homes, a home with electric vehicle charging, a townhouse, and industrial buildings. Across all these consumer categories, KARN consistently outperformed traditional Vanilla RNNs, while it surpassed LSTM and Gated Recurrent Units (GRUs) in six buildings. The results demonstrate KARN's superior accuracy and applicability, making it a promising tool for enhancing load forecasting in diverse energy management scenarios.
- Abstract(参考訳): 負荷予測はエネルギー管理において重要な役割を担い、グリッドの安定性、運用効率、コスト削減、環境の持続可能性に直接影響を及ぼす。
従来のVanilla Recurrent Neural Networks(RNN)は消滅や爆発的な勾配といった問題に直面しているが、LSTMのような洗練されたRNNはこの領域でかなりの成功を収めている。
しかしながら、これらのモデルはエネルギー消費の複雑さと突然の変動を正確に捉えるのに苦労することが多く、その適用性は通常、オフィスや学校のような特定の消費者タイプに限られる。
これらの課題に対処するために,Kolmogorov-Arnold Recurrent Network (KARN)を提案する。
KARNは学習可能な時間スプライン関数とエッジベースのアクティベーションを使用して、ロードデータにおける非線形関係をより良くモデル化し、多様な消費者タイプに適応できるようにする。
提案したKARNモデルは、学生の住居、別荘、電気自動車充電施設、タウンハウス、工業ビルなど、様々な現実世界のデータセットで厳格に評価された。
これらすべての消費者カテゴリーの中で、KARNは伝統的なバニラ・RNNを一貫して上回り、LSTMとGated Recurrent Units(GRU)を6つの建物で上回った。
その結果、KARNの精度と適用性は優れており、多様なエネルギー管理シナリオにおける負荷予測を強化するための有望なツールとなっている。
関連論文リスト
- PRKAN: Parameter-Reduced Kolmogorov-Arnold Networks [47.947045173329315]
Kolmogorov-Arnold Networks (KAN) は、ニューラルネットワークアーキテクチャの革新を象徴している。
Kansは、CNN、Recurrent Reduced Networks(RNN)、Transformerなどのモデルで、MLP(Multi-Layer Perceptrons)に代わる魅力的な代替手段を提供する。
本稿では,階層内のパラメータ数を削減するために複数の手法を用いたPRKANを導入し,ニューラルM層に匹敵する手法を提案する。
論文 参考訳(メタデータ) (2025-01-13T03:07:39Z) - Grid Frequency Forecasting in University Campuses using Convolutional
LSTM [0.0]
本稿では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を用いて,グリッド周波数の堅牢な時間予測モデルを確立する。
個々のConvLSTMモデルは、各キャンパスビルの電力消費データに基づいて訓練され、歴史的傾向に基づいてグリッド周波数を予測する。
アンサンブルモデル(英: Ensemble Model)は、建物固有のモデルから洞察を収集し、キャンパス全体の総合的な予測を提供する。
論文 参考訳(メタデータ) (2023-10-24T13:53:51Z) - Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust
Closed-Loop Control [63.310780486820796]
繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。
パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
論文 参考訳(メタデータ) (2023-10-05T21:44:18Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳(メタデータ) (2023-06-04T08:53:27Z) - In Search of Deep Learning Architectures for Load Forecasting: A
Comparative Analysis and the Impact of the Covid-19 Pandemic on Model
Performance [0.0]
短期負荷予測(STLF)は、その信頼性、排出、コストの最適化に不可欠である。
この研究は、精度の予測と持続可能性のトレーニングに関して、Deep Learning (DL)アーキテクチャの比較研究を行う。
ケーススタディは、ポルトガルの全国15分解像度ネットロードタイムシリーズの日頭予測に焦点を当てている。
論文 参考訳(メタデータ) (2023-02-25T10:08:23Z) - Online Evolutionary Neural Architecture Search for Multivariate
Non-Stationary Time Series Forecasting [72.89994745876086]
本研究は、オンラインニューロ進化に基づくニューラルアーキテクチャサーチ(ONE-NAS)アルゴリズムを提案する。
ONE-NASは、オンライン予測タスクのためにリカレントニューラルネットワーク(RNN)を自動設計し、動的にトレーニングする新しいニューラルネットワーク探索手法である。
その結果、ONE-NASは従来の統計時系列予測法よりも優れていた。
論文 参考訳(メタデータ) (2023-02-20T22:25:47Z) - Short-term Prediction of Household Electricity Consumption Using
Customized LSTM and GRU Models [5.8010446129208155]
本稿では,GRU (Gated Recurrent Unit) とLong Short-Term Memory (LSTM) アーキテクチャを提案する。
電力消費データセットは家庭ごとのスマートメーターから得られた。
論文 参考訳(メタデータ) (2022-12-16T23:42:57Z) - Appliance Level Short-term Load Forecasting via Recurrent Neural Network [6.351541960369854]
本稿では,各家電の消費電力を効率よく予測するSTLFアルゴリズムを提案する。
提案手法は、ディープラーニングにおける強力なリカレントニューラルネットワーク(RNN)アーキテクチャに基づいている。
論文 参考訳(メタデータ) (2021-11-23T16:56:37Z) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳(メタデータ) (2021-03-17T08:28:30Z) - A Fully Tensorized Recurrent Neural Network [48.50376453324581]
重み付けされたRNNアーキテクチャを導入し、各リカレントセル内の個別の重み付け行列を共同で符号化する。
このアプローチはモデルのサイズを数桁削減するが、通常のRNNと同等あるいは優れた性能を維持している。
論文 参考訳(メタデータ) (2020-10-08T18:24:12Z) - Industrial Forecasting with Exponentially Smoothed Recurrent Neural
Networks [0.0]
本稿では,産業応用における非定常力学系のモデル化に好適な指数的スムーズなリカレントニューラルネットワーク(RNN)のクラスを提案する。
指数スムーズなRNNの電力負荷、気象データ、株価予測への応用は、多段階時系列予測における隠れ状態の指数スムーズ化の有効性を強調している。
論文 参考訳(メタデータ) (2020-04-09T17:53:49Z)
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。