論文の概要: Machine Learning for Campus Energy Resilience: Clustering and Time-Series Forecasting in Intelligent Load Shedding

• arxiv url: http://arxiv.org/abs/2509.17097v1
• Date: Sun, 21 Sep 2025 14:29:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-23 18:58:16.11625
• Title: Machine Learning for Campus Energy Resilience: Clustering and Time-Series Forecasting in Intelligent Load Shedding
• Title（参考訳）: キャンパスエネルギーレジリエンスのための機械学習:インテリジェント負荷層におけるクラスタリングと時系列予測
• Authors: Salim Oyinlola, Peter Olabisi Oluseyi,
• Abstract要約: 本研究では,ラゴス大学のための機械学習に基づく負荷層フレームワークを提案する。 55棟の建物から3,648件の時間記録を収集し、建物レベルの消費モデルを構築した。 その後、Mini-Batch K-Meansは、建物を高、中、低要求のクラスタに分類するために使用された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: The growing demand for reliable electricity in universities necessitates intelligent energy management. This study proposes a machine learning-based load shedding framework for the University of Lagos, designed to optimize distribution and reduce waste. The methodology followed three main stages. First, a dataset of 3,648 hourly records from 55 buildings was compiled to develop building-level consumption models. Second, Principal Component Analysis was applied for dimensionality reduction, and clustering validation techniques were used to determine the optimal number of demand groups. Mini-Batch K-Means was then employed to classify buildings into high-, medium-, and low-demand clusters. Finally, short-term load forecasting was performed at the cluster level using multiple statistical and deep learning models, including ARIMA, SARIMA, Prophet, LSTM, and GRU. Results showed Prophet offered the most reliable forecasts, while Mini-Batch K-Means achieved stable clustering performance. By integrating clustering with forecasting, the framework enabled a fairer, data-driven load shedding strategy that reduces inefficiencies and supports climate change mitigation through sustainable energy management.
• Abstract（参考訳）: 大学における信頼性の高い電力需要の増加は、インテリジェントなエネルギー管理を必要としている。 本研究では,ラゴス大学のための機械学習による負荷層構築フレームワークを提案する。 この手法は3つの主要な段階を踏襲した。 まず、55の建物から3,648時間毎の記録を収集し、建物レベルの消費モデルを構築した。 第2に, 主成分分析を次元還元に適用し, クラスタリング検証手法を用いて需要群の最適数を求めた。 その後、Mini-Batch K-Meansは、建物を高、中、低要求のクラスタに分類するために使用された。 最後に,ARIMA,SARIMA,Prophet,LSTM,GRUを含む複数の統計的および深層学習モデルを用いて,クラスタレベルで短期負荷予測を行った。 その結果、Prophetは最も信頼性の高い予測を提供し、Mini-Batch K-Meansは安定したクラスタリング性能を達成した。 クラスタリングと予測を統合することで、このフレームワークはより公平でデータ駆動型ロードシェディング戦略を可能にし、非効率を低減し、持続可能なエネルギー管理を通じて気候変動の緩和をサポートする。

関連論文リスト

• SPaRFT: Self-Paced Reinforcement Fine-Tuning for Large Language Models [51.74498855100541]
  大規模言語モデル(LLM)は、強化学習(RL)による微調整時に強い推論能力を示す。 トレーニング対象のモデルの性能に基づいて,効率的な学習を可能にする自己評価学習フレームワークである textbfSPaRFT を提案する。
  論文  参考訳（メタデータ） (2025-08-07T03:50:48Z)
• EfficientLLM: Efficiency in Large Language Models [64.3537131208038]
  大規模言語モデル(LLM)は大きな進歩を導いてきたが、その増加とコンテキストウィンドウは計算、エネルギー、金銭的コストを禁止している。 本稿では,新しいベンチマークであるEfficientLLMを紹介する。
  論文  参考訳（メタデータ） (2025-05-20T02:27:08Z)
• Load Forecasting in the Era of Smart Grids: Opportunities and Advanced Machine Learning Models [0.0]
  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。
  論文  参考訳（メタデータ） (2025-05-14T09:19:47Z)
• Efficient Hybrid Language Model Compression through Group-Aware SSM Pruning [54.584665518334035]
  注意と状態空間モデル(SSM)を組み合わせたハイブリッドアーキテクチャは、最先端の精度と実行時のパフォーマンスを達成する。 近年の研究では、アテンションのみのモデルに圧縮と蒸留を適用することで、トレーニングコストのごく一部でより小さく、より正確なモデルが得られることが示されている。 本稿では,SSMブロックの構造的整合性とそのシーケンスモデリング機能を維持するグループ対応プルーニング戦略を提案する。
  論文  参考訳（メタデータ） (2025-04-15T17:26:29Z)
• Feature Engineering Approach to Building Load Prediction: A Case Study for Commercial Building Chiller Plant Optimization in Tropical Weather [1.9182246029051933]
  本研究では,ニューラルネットワークとK-meansクラスタリングを組み合わせた冷却負荷予測モデルを提案する。 シンガポールの中央ビジネス地区の商業超高層ビルの現実世界のデータに応用され、予測精度は46.5%向上した。
  論文  参考訳（メタデータ） (2025-02-17T10:22:43Z)
• Load Forecasting for Households and Energy Communities: Are Deep Learning Models Worth the Effort? [0.0]
  エネルギーコミュニティ(EC)は、地域需要のシフトと自己充足力の向上に重要な役割を果たしている。 データ駆動予測は注目されているが、多くの実践的な文脈ではまだ十分に調査されていない。 本研究は, 地域規模, 歴史的データ可用性, モデルの複雑さなど, 最先端のディープラーニングモデルの有効性を評価する。
  論文  参考訳（メタデータ） (2025-01-09T06:29:50Z)
• Investigating Automatic Scoring and Feedback using Large Language Models [46.1232919707345]
  本稿では,PEFTに基づく量子化モデルの有効性について検討する。 その結果, 微調整LDMによる評価は精度が高く, 平均的に3%未満の誤差が得られた。
  論文  参考訳（メタデータ） (2024-05-01T16:13:54Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• Sparse MoEs meet Efficient Ensembles [49.313497379189315]
  このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。 Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
  論文  参考訳（メタデータ） (2021-10-07T11:58:35Z)

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。