論文の概要: Validation of a 24-hour-ahead Prediction model for a Residential Electrical Load under diverse climate

• arxiv url: http://arxiv.org/abs/2505.00348v1
• Date: Thu, 01 May 2025 06:48:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:55.251615
• Title: Validation of a 24-hour-ahead Prediction model for a Residential Electrical Load under diverse climate
• Title（参考訳）: 多様な気候下における住宅用電力負荷の24時間先予測モデルの有効性
• Authors: Ehtisham Asghar, Martin Hill, Ibrahim Sengor, Conor Lynch, Phan Quang An,
• Abstract要約: 本稿では,24時間時給電力需要予測のためのグローバルモデルを提案する。 多様な気候条件やデータセットに対して効果的に実行するように設計されている。 最先端の機械学習およびディープラーニング手法に対して評価される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate household electrical energy demand prediction is essential for effectively managing sustainable Energy Communities. Integrated with the Energy Management System, these communities aim to optimise operational costs. However, most existing forecasting models are region-specific and depend on large datasets, limiting their applicability across different climates and geographical areas. These models often lack flexibility and may not perform well in regions with limited historical data, leading to inaccurate predictions. This paper proposes a global model for 24-hour-ahead hourly electrical energy demand prediction that is designed to perform effectively across diverse climate conditions and datasets. The model's efficiency is demonstrated using data from two distinct regions: Ireland, with a maritime climate and Vietnam, with a tropical climate. Remarkably, the model achieves high accuracy even with a limited dataset spanning only nine months. Its robustness is further validated across different seasons in Ireland (summer and winter) and Vietnam (dry and wet). The proposed model is evaluated against state-of-the-art machine learning and deep learning methods. Simulation results indicate that the model consistently outperforms benchmark models, showcasing its capability to provide reliable forecasts globally, regardless of varying climatic conditions and data availability. This research underscores the model's potential to enhance the efficiency and sustainability of Energy Communities worldwide. The proposed model achieves a Mean Absolute Percentage Error of 8.0% and 4.0% on the full Irish and Vietnamese datasets.
• Abstract（参考訳）: 持続可能なエネルギーコミュニティを効果的に管理するためには、正確な家庭用エネルギー需要予測が不可欠である。 エネルギー管理システムと統合されたこれらのコミュニティは、運用コストの最適化を目指している。 しかし、既存の予測モデルのほとんどは地域固有のものであり、大きなデータセットに依存しており、異なる気候や地理的領域で適用性を制限する。 これらのモデルは柔軟性に欠けることが多く、歴史データが少ない地域ではうまく機能せず、不正確な予測につながる。 本稿では, 多様な気候条件やデータセットに対して効果的に動作するように設計された24時間平均電気エネルギー需要予測のグローバルモデルを提案する。 このモデルの効率性は、アイルランド、海洋性気候、ベトナム、熱帯性気候の2つの異なる地域のデータを用いて実証されている。 注目すべきは、このモデルは、わずか9ヶ月の限られたデータセットであっても、高い精度を達成することだ。 その頑丈さは、アイルランド(夏と冬)とベトナム(乾燥と湿潤)の様々な季節にまたがって検証されている。 提案手法は,最先端の機械学習およびディープラーニング手法に対して評価される。 シミュレーションの結果、モデルがベンチマークモデルより一貫して優れており、様々な気候条件やデータ可用性に関わらず、世界規模で信頼性の高い予測を提供する能力を示していることが示唆された。 この研究は、世界中のエネルギーコミュニティの効率性と持続可能性を高めるためのモデルの可能性を強調している。 提案したモデルでは、アイルランドとベトナムの全データセットで平均絶対パーセンテージ誤差が8.0%と4.0%に達する。

関連論文リスト

• Machine Learning-based Regional Cooling Demand Prediction with Optimised Dataset Partitioning [7.745583292171836]
  都市内建物における冷却需要の正確な予測はエネルギー効率の維持に不可欠である。 本研究では,高分解能Long Short-Term Memory (LSTM) と Gated Recurrent Unit (GRU) ネットワークの汎用フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-04T12:43:33Z)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• Probabilistic Emulation of a Global Climate Model with Spherical DYffusion [15.460280166612119]
  本研究では, 高精度で物理的に整合した地球規模の気候アンサンブルシミュレーションを作成した最初の条件生成モデルを提案する。 我々のモデルは、動的インフォームド拡散フレームワーク(DYffusion)と、球状フーリエニューラル演算子(SFNO)アーキテクチャを統合する。 このモデルは、気候モデルエミュレーションのための金本位に近い性能を達成し、既存のアプローチを上回り、有望なアンサンブルスキルを実証する。
  論文  参考訳（メタデータ） (2024-06-21T00:16:55Z)
• Efficient mid-term forecasting of hourly electricity load using generalized additive models [0.0]
  本稿では,解釈可能なP-スプラインから構築したGAMを用いた新しい予測手法を提案する。 提案手法は,9年以上にわたる欧州24カ国の負荷データを用いて評価した。
  論文  参考訳（メタデータ） (2024-05-27T11:41:41Z)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• Location Agnostic Source-Free Domain Adaptive Learning to Predict Solar Power Generation [0.0]
  本稿では,気象特性を用いた太陽発電を推定するためのドメイン適応型ディープラーニングフレームワークを提案する。 フィードフォワード深部畳み込みネットワークモデルは、既知の位置データセットを教師付きでトレーニングし、後に未知の場所の太陽エネルギーを予測するために使用される。 我々の手法では、カリフォルニア(CA)、フロリダ(FL)、ニューヨーク(NY)の順応的でない手法と比較して、太陽エネルギー予測精度が10.47 %、7.44 %、5.11%の改善が見られた。
  論文  参考訳（メタデータ） (2024-01-24T02:08:48Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• Loosely Conditioned Emulation of Global Climate Models With Generative Adversarial Networks [2.937141232326068]
  我々は、完全に結合した地球モデルから毎日の降水量をエミュレートする2つの「緩やかな条件付き」ジェネレーターネットワーク(GAN)を訓練する。 GANは時間的なサンプルを作り出すために訓練されます:地球を区別する64x128規則的な格子上の沈殿物の32日。 当社の訓練を受けたGANは、大幅に削減された計算コストで多数の実現を迅速に生成できます。
  論文  参考訳（メタデータ） (2021-04-29T02:10:08Z)
• 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)

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。