論文の概要: Forecasting Residential Heating and Electricity Demand with Scalable, High-Resolution, Open-Source Models

• arxiv url: http://arxiv.org/abs/2505.22873v1
• Date: Wed, 28 May 2025 21:16:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-30 18:14:07.544975
• Title: Forecasting Residential Heating and Electricity Demand with Scalable, High-Resolution, Open-Source Models
• Title（参考訳）: スケーラブル・高分解能・オープンソースモデルによる住宅暖房と電力需要予測
• Authors: Stephen J. Lee, Cailinn Drouin,
• Abstract要約: 本稿では,確率論的深層学習モデルを用いた住宅暖房と電力需要の高精度予測のための新しい枠組みを提案する。 我々は、住宅セクターに対して、時間単位のビルレベルの電力供給と暖房需要予測に特に焦点をあてる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel framework for high-resolution forecasting of residential heating and electricity demand using probabilistic deep learning models. We focus specifically on providing hourly building-level electricity and heating demand forecasts for the residential sector. Leveraging multimodal building-level information -- including data on building footprint areas, heights, nearby building density, nearby building size, land use patterns, and high-resolution weather data -- and probabilistic modeling, our methods provide granular insights into demand heterogeneity. Validation at the building level underscores a step change improvement in performance relative to NREL's ResStock model, which has emerged as a research community standard for residential heating and electricity demand characterization. In building-level heating and electricity estimation backtests, our probabilistic models respectively achieve RMSE scores 18.3\% and 35.1\% lower than those based on ResStock. By offering an open-source, scalable, high-resolution platform for demand estimation and forecasting, this research advances the tools available for policymakers and grid planners, contributing to the broader effort to decarbonize the U.S. building stock and meeting climate objectives.
• Abstract（参考訳）: 本稿では,確率論的深層学習モデルを用いた住宅暖房と電力需要の高精度予測のための新しい枠組みを提案する。 我々は、住宅セクターに対して、時間単位のビルレベルの電力供給と暖房需要予測に特に焦点をあてる。 ビルのフットプリント面積、高さ、付近のビル密度、近隣の建物の大きさ、土地利用パターン、高解像度気象データなど、マルチモーダルなビルレベルの情報を活用することで、当社の手法は需要の不均一性に関する詳細な洞察を提供する。 ビルレベルでの検証は, NREL の ResStock モデルに対して, 住宅の暖房・電力需要評価のための研究コミュニティ標準として出現した性能改善の段階的改善を裏付けるものである。 ビルレベルの暖房と電力推定のバックテストでは,我々の確率モデルはそれぞれ,ResStockをベースとしたモデルよりも18.3\%,35.1\%低い値が得られる。 この研究は、需要予測と予測のためのオープンソースでスケーラブルで高解像度のプラットフォームを提供することで、政策立案者やグリッドプランナーが利用できるツールを進化させ、米国の建設資材を脱炭し、気候目標を満たすための幅広い努力に貢献した。

関連論文リスト

• ReeM: Ensemble Building Thermodynamics Model for Efficient HVAC Control via Hierarchical Reinforcement Learning [8.266185862232225]
  熱力学モデルの構築は、潜在的HVAC制御操作下でのリアルタイム屋内温度変化を予測する。 これらのモデルは、しばしば広範囲なデータ収集期間を必要とし、専門家の知識に大きく依存し、モデリングプロセスを非効率にし、モデルの再利用可能性を制限する。 本稿では,既存のモデルを用いたモデルアンサンブルの視点について検討する。
  論文  参考訳（メタデータ） (2025-05-05T08:09:36Z)
• Towards Accurate Forecasting of Renewable Energy : Building Datasets and Benchmarking Machine Learning Models for Solar and Wind Power in France [1.2289361708127877]
  本研究は、フランスの国規模で太陽光発電と風力発電を予測するための総合的な方法論を提案する。 2012年から2023年にかけて、RTEから毎日の電力生産データを使用してデータセットが構築されている。 空間的に解決された気象データを扱うための3つのモデリング手法について検討した。
  論文  参考訳（メタデータ） (2025-04-14T15:30:54Z)
• A Survey of AI-Powered Mini-Grid Solutions for a Sustainable Future in Rural Communities [0.18783379094746652]
  本稿では,統計的手法,機械学習アルゴリズム,ハイブリッドアプローチなど,様々な予測モデルについてレビューする。 Prophet、NeuralProphet、N-BEATSといった公開データセットやツールをモデル実装と検証のために検討している。 この調査は、将来の研究への推奨で締めくくられ、モデル適応と現実世界のアプリケーションへの最適化における課題に対処する。
  論文  参考訳（メタデータ） (2024-07-17T20:23:38Z)
• 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)
• 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)
• The Forecastability of Underlying Building Electricity Demand from Time Series Data [1.3757257689932039]
  ビルのエネルギー消費予測は、ビルのエネルギー管理システムにおいて有望な解決策となっている。 建物の将来的なエネルギー需要を予測するデータ駆動のアプローチは、科学文献で見ることができる。 このような建物のエネルギー需要を予測するために利用できる最も正確な予測モデルの同定は依然として困難である。
  論文  参考訳（メタデータ） (2023-11-29T20:47:47Z)
• Global Transformer Architecture for Indoor Room Temperature Forecasting [49.32130498861987]
  本研究は,多室ビルにおける室内温度予測のためのグローバルトランスフォーマーアーキテクチャを提案する。 エネルギー消費を最適化し、HVACシステムに関連する温室効果ガス排出を削減することを目的としている。 本研究は,マルチルームビルにおける室内温度予測にトランスフォーマーアーキテクチャを適用した最初の事例である。
  論文  参考訳（メタデータ） (2023-10-31T14:09:32Z)
• Building Coverage Estimation with Low-resolution Remote Sensing Imagery [65.95520230761544]
  本稿では,低解像度衛星画像のみを用いた建物被覆量の推定手法を提案する。 本モデルでは, 世界中の開発レベルの異なる地域において, 建築範囲の予測において最大0.968の判定係数を達成している。
  論文  参考訳（メタデータ） (2023-01-04T05:19:33Z)
• 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)
• NeurOpt: Neural network based optimization for building energy management and climate control [58.06411999767069]
  モデル同定のコストを削減するために,ニューラルネットワークに基づくデータ駆動制御アルゴリズムを提案する。 イタリアにある10の独立したゾーンを持つ2階建ての建物で、学習と制御のアルゴリズムを検証する。
  論文  参考訳（メタデータ） (2020-01-22T00:51:03Z)

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。