論文の概要: Short-Term Forecasting of Energy Production and Consumption Using Extreme Learning Machine: A Comprehensive MIMO based ELM Approach

• arxiv url: http://arxiv.org/abs/2508.12764v1
• Date: Mon, 18 Aug 2025 09:37:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-19 14:49:11.156355
• Title: Short-Term Forecasting of Energy Production and Consumption Using Extreme Learning Machine: A Comprehensive MIMO based ELM Approach
• Title（参考訳）: エクストリームラーニングマシンを用いたエネルギー生産・消費の短期予測:包括的MIMOに基づくEMM手法
• Authors: Cyril Voyant, Milan Despotovic, Luis Garcia-Gutierrez, Mohammed Asloune, Yves-Marie Saint-Drenan, Jean-Laurent Duchaud, hjuvan Antone Faggianelli, Elena Magliaro,
• Abstract要約: エクストリームラーニングマシン(mathtELM$)を用いた短期エネルギー予測手法を提案する。 複数のエネルギー源からコルシカ(フランス)で収集された6年間の時間的データを用いて、我々の手法は個々のエネルギー出力と総生産の両方を予測する。 このモデルでは、最大5時間前に高い精度を維持し、再生可能エネルギー源が揮発性になる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A novel methodology for short-term energy forecasting using an Extreme Learning Machine ($\mathtt{ELM}$) is proposed. Using six years of hourly data collected in Corsica (France) from multiple energy sources (solar, wind, hydro, thermal, bioenergy, and imported electricity), our approach predicts both individual energy outputs and total production (\cyr{including imports, which closely follow energy demand, modulo losses)} through a Multi-Input Multi-Output ($\mathtt{MIMO}$) architecture. To address non-stationarity and seasonal variability, sliding window techniques and cyclic time encoding are incorporated, enabling dynamic adaptation to fluctuations. The $\mathtt{ELM}$ model significantly outperforms persistence-based forecasting, particularly for solar and thermal energy, achieving an $\mathtt{nRMSE}$ of $17.9\%$ and $5.1\%$, respectively, with $\mathtt{R^2} > 0.98$ (1-hour horizon). The model maintains high accuracy up to five hours ahead, beyond which renewable energy sources become increasingly volatile. While $\mathtt{MIMO}$ provides marginal gains over Single-Input Single-Output ($\mathtt{SISO}$) architectures and offers key advantages over deep learning methods such as $\mathtt{LSTM}$, it provides a closed-form solution with lower computational demands, making it well-suited for real-time applications, including online learning. Beyond predictive accuracy, the proposed methodology is adaptable to various contexts and datasets, as it can be tuned to local constraints such as resource availability, grid characteristics, and market structures.
• Abstract（参考訳）: Extreme Learning Machine(\mathtt{ELM}$)を用いた短期エネルギー予測手法を提案する。 複数のエネルギー源(太陽、風、水力、熱、バイオエネルギー、輸入電力)からコルシカ(フランス)で収集された6年間の時間データを用いて、我々は、マルチ入力マルチアウトプット(\mathtt{MIMO}$)アーキテクチャを通して、個々のエネルギー出力と総生産量(エネルギー需要、変調損失に密接に従う輸入を含む)の両方を予測する。 非定常性と季節変動に対処するため、スライディングウインドウ技術と循環時間符号化を導入し、ゆらぎへの動的適応を可能にする。 $\matht{ELM}$モデルは、特に太陽と熱エネルギーにおいて持続性に基づく予測を著しく上回り、それぞれ$17.9\%$と$5.1\%$を達成し、$\matht{R^2} > 0.98$ (1時間水平線)を達成している。 このモデルでは、最大5時間前に高い精度を維持し、再生可能エネルギー源が揮発性になる。 $\mathtt{MIMO}$はシングル入力シングルアウトプット($\mathtt{SISO}$)アーキテクチャよりも限界的なゲインを提供し、$\matht{LSTM}$のようなディープラーニングメソッドよりも重要なアドバンテージを提供するが、クローズドフォームソリューションは計算の要求が低く、オンライン学習を含むリアルタイムアプリケーションに適している。 予測精度以外にも、提案手法は様々なコンテキストやデータセットに適用可能であり、リソースの可用性、グリッド特性、市場構造といった局所的な制約に調整できる。

関連論文リスト

• $K^2$VAE: A Koopman-Kalman Enhanced Variational AutoEncoder for Probabilistic Time Series Forecasting [11.83736650205371]
  確率的時系列予測(PTSF)は、経済、エネルギー、輸送など様々な分野における意思決定において重要な役割を果たしている。 我々は、非線形時系列を線形力学系に変換する効率的なVAEベースの生成モデルであるK2$VAEを紹介する。 K2$VAEは、短期および長期のPTSFにおいて最先端のメソッドより優れており、より効率的で正確なソリューションを提供する。
  論文  参考訳（メタデータ） (2025-05-29T02:52:59Z)
• Inertial Confinement Fusion Forecasting via Large Language Models [48.76222320245404]
  本研究では,従来の貯水池計算パラダイムとLarge Language Models(LLM)の新たな統合である$textbfLPI-LLM$を紹介する。 我々は、$textitLLM-anchored Reservoir$, augmented with a $textitFusion-specific Prompt$を提案する。 また、最初の$textttLPI$ベンチマークである$textbfLPI4AI$も提示します。
  論文  参考訳（メタデータ） (2024-07-15T05:46:44Z)
• HiRE: High Recall Approximate Top-$k$ Estimation for Efficient LLM Inference [68.59839755875252]
  HiREは2つの新しいコンポーネントから構成される: (i) (i) (i) (i) (i) (i) (i) (i) (i) (i) (ii) DA-TOP-$k$: 効率的なマルチデバイス近似トップ-k$演算子) (i) (i) (i) (i) (i) (i) (i) DA-TOP-$k$演算子) 。 我々は、10億のパラメータモデルにおいて、HiREがソフトマックスとフィードフォワード層の両方に適用され、ほぼ一致した事前学習と下流の精度を実現し、1台のTPUv5eデバイスで1.47Times$の推論遅延を高速化することを示した。
  論文  参考訳（メタデータ） (2024-02-14T18:04:36Z)
• Deep Convolutional Neural Networks for Short-Term Multi-Energy Demand Prediction of Integrated Energy Systems [49.1574468325115]
  本稿では,多エネルギー消費予測のための畳み込みニューラルネットワーク(CNN)に基づく新しい6つの予測モデルを開発する。 これらのモデルは、新しい統合型電気・熱・ガスネットワークシステムに包括的に適用される。
  論文  参考訳（メタデータ） (2023-12-24T14:56:23Z)
• End-to-End Learning with Multiple Modalities for System-Optimised Renewables Nowcasting [0.0]
  本稿では,再生可能電力をエネルギー管理システムの中間として活用するためのマルチモーダル(MM)学習とエンド・ツー・エンド(E2E)学習について検討する。 MMは、再生可能発電を予測するための2つのモダリティとして、オールスキー画像と気象センサデータの特徴を組み合わせる。 MMは、期待されるシステムコストを最小化するモデルのE2Eトレーニングと初めて組み合わせられる。
  論文  参考訳（メタデータ） (2023-04-14T14:20:55Z)
• Electricity Demand Forecasting with Hybrid Statistical and Machine Learning Algorithms: Case Study of Ukraine [0.0]
  提案手法は2013年から2020年までのウクライナの電力消費の時間データを用いて構築された。 我々のハイブリッドモデルは、時間分解能で長期電力消費を予測するのに非常に効果的である。
  論文  参考訳（メタデータ） (2023-04-11T12:15:50Z)
• Demand-Side Scheduling Based on Multi-Agent Deep Actor-Critic Learning for Smart Grids [56.35173057183362]
  家庭用家電をネットでスケジュールできるスマートメーターが各家庭に備わっている需要側エネルギー管理の問題点を考察する。 目標は、リアルタイムの料金体系の下で全体のコストを最小化することです。 マルコフゲームとしてスマートグリッド環境の定式化を提案する。
  論文  参考訳（メタデータ） (2020-05-05T07:32:40Z)

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。