論文の概要: Electricity Demand Forecasting in Future Grid States: A Digital Twin-Based Simulation Study

• arxiv url: http://arxiv.org/abs/2503.04757v1
• Date: Mon, 10 Feb 2025 11:28:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-16 10:47:25.158968
• Title: Electricity Demand Forecasting in Future Grid States: A Digital Twin-Based Simulation Study
• Title（参考訳）: 将来のグリッド状態における電力需要予測:デジタル双極子シミュレーションによる検討
• Authors: Daniel R. Bayer, Felix Haag, Marco Pruckner, Konstantin Hopf,
• Abstract要約: 我々は,今日の電力需要と将来のグリッド状態の予測に機械学習アプローチが適しているかを検討する。 我々はこのデータを、ローカルエネルギーシステムのデジタルツインに基づいて、将来のグリッド状態と比較する。 以上の結果から,LSTM(Long Short-Term Memory)はSLPよりも優れており,ベンチマーク推定値の68.5%がRoot Mean Squared Errorより1日当たりの予測よりも68.5%も低いことが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Short-term forecasting of residential electricity demand is an important task for utilities. Yet, many small and medium-sized utilities still use simple forecasting approaches such as Synthesized Load Profiles, which treat residential households similarly and neither account for renewable energy installations nor novel large consumers (e.g., heat pumps, electric vehicles). The effectiveness of such "one-fits-all" approaches in future grid states--where decentral generation and sector coupling increases--are questionable. Our study challenges these forecasting practices and investigates whether Machine Learning (ML) approaches are suited to predict electricity demand in today's and in future grid states. We use real smart meter data from 3,511 households in Germany over 34 months. We extrapolate this data with future grid states (i.e., increased decentral generation and storage) based on a digital twin of a local energy system. Our results show that Long Short-Term Memory (LSTM) approaches outperform SLPs as well as simple benchmark estimators with up to 68.5% lower Root Mean Squared Error for a day-ahead forecast, especially in future grid states. Nevertheless, all prediction approaches perform worse in future grid states. Our findings therefore reinforce the need (a) for utilities and grid operators to employ ML approaches instead of traditional demand prediction methods in future grid states and (b) to prepare current ML methods for future grid states.
• Abstract（参考訳）: 電力需要の短期予測は公共事業にとって重要な課題である。 しかし、多くの小規模・中規模のユーティリティは、住宅を同じように扱うSynthesized Load Profilesのような単純な予測手法を使用しており、再生可能エネルギー施設や新しい大型消費者(例えば、ヒートポンプ、電気自動車)を考慮に入れていない。 分散世代とセクターのカップリングが増加する将来のグリッド状態における、このような「オールワンフィット」アプローチの有効性は疑問視される。 本研究は、これらの予測プラクティスに挑戦し、機械学習(ML)アプローチが、今日のグリッド状態と将来のグリッド状態における電力需要を予測するのに適しているかどうかを調査する。 私たちは34ヶ月にわたってドイツの3,511世帯の実際のスマートメーターデータを使用します。 我々は、このデータを、ローカルエネルギーシステムのデジタル双対に基づく将来のグリッド状態(すなわち、分散生成とストレージの増加)に外挿する。 以上の結果から,Long Short-Term Memory (LSTM) は SLP よりも優れており,特に将来のグリッド状態において,Root Mean Squared Error を最大68.5%下方修正した単純なベンチマーク推定器に近づいたことが示唆された。 それでも、将来のグリッド状態では、全ての予測アプローチが悪化する。 したがって我々の発見はニーズを補強する。 (a) 将来のグリッド状態における従来の需要予測手法の代わりにMLアプローチを採用するユーティリティやグリッドオペレータ (b) 将来のグリッド状態に対する現在のMLメソッドの準備。

関連論文リスト

• Hybrid Forecasting of Geopolitical Events [71.73737011120103]
  SAGEは、人間と機械が生成した予測を組み合わせたハイブリッド予測システムである。 このシステムは、確率と評価されたスキルに基づいて、人間と機械の予測の重み付けを集約する。 機械による予測にアクセスできる熟練した予測者は、過去のデータしか見ていない者よりも優れていた。
  論文  参考訳（メタデータ） (2024-12-14T22:09:45Z)
• Fast and interpretable electricity consumption scenario generation for individual consumers [0.0]
  予測クラスタリング木(PCT)に基づく高速かつ解釈可能なシナリオ生成手法を提案する。 提案手法は, トレーニングや予測において, 少なくとも7倍の精度で, 最先端の時系列を生成する。
  論文  参考訳（メタデータ） (2024-10-23T13:41:58Z)
• Short-Term Electricity Demand Forecasting of Dhaka City Using CNN with Stacked BiLSTM [0.471858286267785]
  本稿では,ダッカ市の電力需要を短時間で正確に予測するために,畳み込みニューラルネットワーク(CNN)と積み重ねた双方向長短項メモリ(BiLSTM)アーキテクチャのハイブリッドモデルを提案する。 提案手法は,MAPE 1.64%,MSE 0.015,RMSE 0.122,MAE 0.092の他のベンチマークモデルと比較して,最高の予測結果を得た。
  論文  参考訳（メタデータ） (2024-06-10T09:02:07Z)
• 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)
• Masked Multi-Step Probabilistic Forecasting for Short-to-Mid-Term Electricity Demand [7.544120398993689]
  Masked Multi-Step Multi Probabilistic Forecasting (MMMPF)は、ニューラルネットワークモデルをトレーニングするための、新しく一般的なフレームワークである。 過去の時間的情報と未来に関する既知の情報を組み合わせて確率的予測を行う。 MMMPFは、不確実性を捉え、将来のグリッドの確率的計画を可能にするために、望ましい量子化物を生成することもできる。
  論文  参考訳（メタデータ） (2023-02-14T04:09:03Z)
• Comparative Analysis of Time Series Forecasting Approaches for Household Electricity Consumption Prediction [3.7458346891274013]
  データマイニングツールであるWekaを使用して、まず、Kaggleのデータサイエンスコミュニティから利用可能な、時間給と日給のエネルギー消費データセットのモデルを適用します。 第2に,大韓民国選択世帯の世帯エネルギー消費を天気データと無気象データを用いて予測するために,時系列予測モデルであるARIMAとVARをピソンに導入した。 以上の結果から,エネルギー消費予測の最良の方法は,多層パーセプトロンとガウスプロセス回帰に続く支持ベクトル回帰であることがわかった。
  論文  参考訳（メタデータ） (2022-07-03T12:16:54Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)
• 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)
• The impact of online machine-learning methods on long-term investment decisions and generator utilization in electricity markets [69.68068088508505]
  電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。 最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。 また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
  論文  参考訳（メタデータ） (2021-03-07T11:28:54Z)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。