論文の概要: Enhanced Load Forecasting with GAT-LSTM: Leveraging Grid and Temporal Features

• arxiv url: http://arxiv.org/abs/2502.08376v1
• Date: Wed, 12 Feb 2025 13:07:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:44:48.446103
• Title: Enhanced Load Forecasting with GAT-LSTM: Leveraging Grid and Temporal Features
• Title（参考訳）: GAT-LSTMによる負荷予測の強化:グリッドの活用と時間的特徴
• Authors: Ugochukwu Orji, Çiçek Güven, Dan Stowell,
• Abstract要約: 本稿では,グラフ注意ネットワーク(GAT)とLong Short-Term Memory(LSTM)を組み合わせたハイブリッドモデルであるGAT-LSTMを紹介する。 モデルの重要な革新は、線容量や効率などのエッジ属性を注意機構に組み込むことである。 ブラジル電力システムのデータセットに対する実験的評価は、GAT-LSTMモデルが最先端モデルを大幅に上回っていることを示している。
• 参考スコア（独自算出の注目度）: 3.320858630462999
• License:
• Abstract: Accurate power load forecasting is essential for the efficient operation and planning of electrical grids, particularly given the increased variability and complexity introduced by renewable energy sources. This paper introduces GAT-LSTM, a hybrid model that combines Graph Attention Networks (GAT) and Long Short-Term Memory (LSTM) networks. A key innovation of the model is the incorporation of edge attributes, such as line capacities and efficiencies, into the attention mechanism, enabling it to dynamically capture spatial relationships grounded in grid-specific physical and operational constraints. Additionally, by employing an early fusion of spatial graph embeddings and temporal sequence features, the model effectively learns and predicts complex interactions between spatial dependencies and temporal patterns, providing a realistic representation of the dynamics of power grids. Experimental evaluations on the Brazilian Electricity System dataset demonstrate that the GAT-LSTM model significantly outperforms state-of-the-art models, achieving reductions of 21. 8% in MAE, 15. 9% in RMSE and 20. 2% in MAPE. These results underscore the robustness and adaptability of the GAT-LSTM model, establishing it as a powerful tool for applications in grid management and energy planning.
• Abstract（参考訳）: 電力負荷の正確な予測は電力グリッドの効率的な運用と計画に不可欠であり、特に再生可能エネルギー源によって導入された変動性と複雑さの増大を考えると重要である。 本稿では,グラフ注意ネットワーク(GAT)とLong Short-Term Memory(LSTM)を組み合わせたハイブリッドモデルであるGAT-LSTMを紹介する。 このモデルのキーとなる革新は、線容量や効率などのエッジ属性を注意機構に組み込むことで、グリッド固有の物理的および操作的制約を基礎とした空間的関係を動的に捉えることができる。 さらに,空間グラフ埋め込みと時間的シーケンス特徴の早期融合を利用して,空間依存と時間的パターンの複雑な相互作用を効果的に学習し,予測し,電力グリッドのダイナミックスを現実的に表現する。 ブラジル電力システムのデータセットに対する実験的評価は、GAT-LSTMモデルが最先端モデルを大幅に上回り、21。 8%,15。 9%, RMSE20。 2%であった。 これらの結果は、GAT-LSTMモデルの堅牢性と適応性を強調し、グリッド管理とエネルギー計画におけるアプリケーションのための強力なツールとして確立した。

関連論文リスト

• DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [70.91804882618243]
  本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。 我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。 LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2025-02-18T02:37:26Z)
• Enhanced Photovoltaic Power Forecasting: An iTransformer and LSTM-Based Model Integrating Temporal and Covariate Interactions [16.705621552594643]
  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。
  論文  参考訳（メタデータ） (2024-12-03T09:16:13Z)
• Deep Analysis of Time Series Data for Smart Grid Startup Strategies: A Transformer-LSTM-PSO Model Approach [0.8702432681310401]
  Transformer-LSTM-PSOモデルはグリッド起動方式における複雑な時間的関係をより効果的に捉えるように設計されている。 Modelは、既存のベンチマークと比較して、複数のデータセットにわたるRMSEとMAE値の低い値を達成する。 Transformer-LSTM-PSOモデルの適用は、スマートグリッド予測分析の大幅な進歩を示している。
  論文  参考訳（メタデータ） (2024-08-22T04:52:02Z)
• DyG-Mamba: Continuous State Space Modeling on Dynamic Graphs [59.434893231950205]
  動的グラフ学習は、現実世界のシステムにおける進化の法則を明らかにすることを目的としている。 動的グラフ学習のための新しい連続状態空間モデルDyG-Mambaを提案する。 我々はDyG-Mambaがほとんどのデータセットで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-08-13T15:21:46Z)
• Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
  ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。 マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。 シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
  論文  参考訳（メタデータ） (2023-09-16T11:37:23Z)
• 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)
• 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)
• Evaluating Distribution System Reliability with Hyperstructures Graph Convolutional Nets [74.51865676466056]
  本稿では,グラフ畳み込みネットワークとハイパー構造表現学習フレームワークを,精度,信頼性,計算効率のよい分散グリッド計画に活用する方法を示す。 数値実験の結果,提案手法は計算効率を大幅に向上させることがわかった。
  論文  参考訳（メタデータ） (2022-11-14T01:29:09Z)
• 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)
• Short-Term Power Prediction for Renewable Energy Using Hybrid Graph Convolutional Network and Long Short-Term Memory Approach [2.218886082289257]
  再生可能エネルギーの短期的なパワーは常に複雑な回帰問題とみなされてきた。 本稿では,新しいグラフニューラルネットワークを用いた短期電力予測手法を提案する。
  論文  参考訳（メタデータ） (2021-11-15T18:15:31Z)
• A Hybrid Residual Dilated LSTM end Exponential Smoothing Model for Mid-Term Electric Load Forecasting [1.1602089225841632]
  このモデルは指数的平滑化(ETS)、高度なLong Short-Term Memory(LSTM)とアンサンブルを組み合わせたものである。 欧州35か国における月次電力需要時系列のシミュレーション研究により,提案モデルの高性能性が確認された。
  論文  参考訳（メタデータ） (2020-03-29T10:53:50Z)

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。