論文の概要: Load Forecasting in the Era of Smart Grids: Opportunities and Advanced Machine Learning Models

• arxiv url: http://arxiv.org/abs/2505.18170v1
• Date: Wed, 14 May 2025 09:19:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-01 23:16:01.424181
• Title: Load Forecasting in the Era of Smart Grids: Opportunities and Advanced Machine Learning Models
• Title（参考訳）: スマートグリッド時代の負荷予測:機会と高度な機械学習モデル
• Authors: Aurausp Maneshni,
• Abstract要約: 電力の貯蔵は困難であり、発電、送電、配電をより厳格に制御する必要がある。 本論文では,短期負荷予測のための4つの機械学習フレームワークについて検討・評価する。 さらに、Long Short Term Memory(LSTM)ネットワークとGated Recurrent Units(GRU)という2つのリカレントニューラルネットワークアーキテクチャを設計、実装している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Electric energy is difficult to store, requiring stricter control over its generation, transmission, and distribution. A persistent challenge in power systems is maintaining real-time equilibrium between electricity demand and supply. Oversupply contributes to resource wastage, while undersupply can strain the grid, increase operational costs, and potentially impact service reliability. To maintain grid stability, load forecasting is needed. Accurate load forecasting balances generation and demand by striving to predict future electricity consumption. This thesis examines and evaluates four machine learning frameworks for short term load forecasting, including gradient boosting decision tree methods such as Extreme Gradient Boosting (XGBoost) and Light Gradient Boosting Machine (LightGBM). A hybrid framework is also developed. In addition, two recurrent neural network architectures, Long Short Term Memory (LSTM) networks and Gated Recurrent Units (GRU), are designed and implemented. Pearson Correlation Coefficient is applied to assess the relationships between electricity demand and exogenous variables. The experimental results show that, for the specific dataset and forecasting task in this study, machine learning-based models achieved improved forecasting performance compared to a classical ARIMA baseline.
• Abstract（参考訳）: 電力の貯蔵は困難であり、発電、送電、配電をより厳格に制御する必要がある。 電力システムにおける永続的な課題は、電力需要と供給のリアルタイム均衡を維持することである。 過供給はリソースの浪費に寄与するが、過供給はグリッドを緊張させ、運用コストを増大させ、サービスの信頼性に影響を及ぼす可能性がある。 グリッド安定性を維持するためには,負荷予測が必要である。 正確な負荷予測は、将来の電力消費を予測することによる発電と需要のバランスを取る。 この論文は、短期負荷予測のための4つの機械学習フレームワークを検証し、評価する。その中には、Extreme Gradient Boosting (XGBoost) や Light Gradient Boosting Machine (LightGBM) など、グラデーション強化決定ツリーメソッドが含まれる。 ハイブリッドフレームワークも開発されている。 さらに、Long Short Term Memory(LSTM)ネットワークとGated Recurrent Units(GRU)という2つのリカレントニューラルネットワークアーキテクチャを設計、実装している。 電気需要と外因性変数の関係を評価するためにピアソン相関係数を適用した。 実験の結果,機械学習に基づくモデルでは,従来のARIMAベースラインと比較して予測性能が向上した。

関連論文リスト

• IISE PG&E Energy Analytics Challenge 2025: Hourly-Binned Regression Models Beat Transformers in Load Forecasting [0.0]
  本研究では,古典的回帰手法から高度なディープラーニングアーキテクチャに至るまで,予測モデルを評価する。 このデータセットには、過去2年間の電力負荷データと、5つの場所にわたる温度およびグローバル水平照射(GHI)が含まれている。 その結果、TimeGPTを含むディープラーニングモデルは、より単純な統計的および機械学習アプローチを一貫して上回りません。
  論文  参考訳（メタデータ） (2025-05-16T15:55:34Z)
• Accelerating Quasi-Static Time Series Simulations with Foundation Models [36.7183558293052]
  我々は、最近導入されたグリッド基礎モデルが、ニューラルパワーフローソルバの経済性を改善することを想定する。 私たちはこれらのモデルを開発し、オープンソース化するために、AIと電力グリッドコミュニティの協力を求めます。
  論文  参考訳（メタデータ） (2024-11-13T14:42:32Z)
• Energy-Aware Dynamic Neural Inference [39.04688735618206]
  エネルギーハーベスターと有限容量エネルギーストレージを備えたオンデバイス適応型推論システムを提案する。 環境エネルギーの速度が増加するにつれて、エネルギー・信頼性を考慮した制御方式は精度を約5%向上させることが示されている。 我々は、信頼性を意識し、認識できないコントローラを理論的に保証する原則的なポリシーを導出する。
  論文  参考訳（メタデータ） (2024-11-04T16:51:22Z)
• 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)
• Grid Monitoring with Synchro-Waveform and AI Foundation Model Technologies [41.994460245857404]
  本稿では,インバータ資源が支配する将来のグリッドを対象とした次世代グリッド監視制御システムの開発を提唱する。 我々は,高分解能シンクロ波形計測技術を用いた物理ベースのAI基盤モデルを構築し,グリッドのレジリエンスを高め,機能停止による経済的損失を低減する。
  論文  参考訳（メタデータ） (2024-03-11T17:28:46Z)
• AI-Powered Predictions for Electricity Load in Prosumer Communities [0.0]
  本稿では,人工知能を用いた短期負荷予測手法を提案する。 その結果、(負荷予測タスクに適応した)持続的項と回帰的項の組み合わせは、最高の予測精度が得られることがわかった。
  論文  参考訳（メタデータ） (2024-02-21T12:23:09Z)
• 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)
• 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)
• 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)
• Deep generative modeling for probabilistic forecasting in power systems [34.70329820717658]
  本研究では,近年のディープラーニング技術である正規化フローを用いて,正確な確率予測を行う。 我々の方法論は他の最先端のディープラーニング生成モデルと競合していることを示す。
  論文  参考訳（メタデータ） (2021-06-17T10:41:57Z)

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。