論文の概要: Short-Term Regional Electricity Demand Forecasting in Argentina Using LSTM Networks

• arxiv url: http://arxiv.org/abs/2509.19374v1
• Date: Fri, 19 Sep 2025 19:20:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 20:53:19.524282
• Title: Short-Term Regional Electricity Demand Forecasting in Argentina Using LSTM Networks
• Title（参考訳）: LSTMネットワークを用いたアルゼンチンの短期地域電力需要予測
• Authors: Oscar A. Oviedo,
• Abstract要約: 本研究では,アルゼンチン・コルドバ市における短期的時間電力需要予測のためのディープラーニングモデルの開発と最適化について述べる。 このモデルは予測精度が高く、平均絶対パーセンテージ誤差は3.20%、決定係数は0.95である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study presents the development and optimization of a deep learning model based on Long Short-Term Memory (LSTM) networks to predict short-term hourly electricity demand in C\'ordoba, Argentina. Integrating historical consumption data with exogenous variables (climatic factors, temporal cycles, and demographic statistics), the model achieved high predictive precision, with a mean absolute percentage error of 3.20\% and a determination coefficient of 0.95. The inclusion of periodic temporal encodings and weather variables proved crucial to capture seasonal patterns and extreme consumption events, enhancing the robustness and generalizability of the model. In addition to the design and hyperparameter optimization of the LSTM architecture, two complementary analyses were carried out: (i) an interpretability study using Random Forest regression to quantify the relative importance of exogenous drivers, and (ii) an evaluation of model performance in predicting the timing of daily demand maxima and minima, achieving exact-hour accuracy in more than two-thirds of the test days and within abs(1) hour in over 90\% of cases. Together, these results highlight both the predictive accuracy and operational relevance of the proposed framework, providing valuable insights for grid operators seeking optimized planning and control strategies under diverse demand scenarios.
• Abstract（参考訳）: 本研究では,アルゼンチンのC'ordobaにおけるLong Short-Term Memory(LSTM)ネットワークに基づくディープラーニングモデルの開発と最適化について述べる。 過去の消費データを外生変数(気候因子、時間周期、統計統計)と統合し、平均絶対パーセンテージ誤差3.20\%、決定係数0.95で高い予測精度を達成した。 周期的テンポラルエンコーディングと気象変数の導入は、季節パターンと極端な消費イベントを捉え、モデルの堅牢性と一般化性を高めるために不可欠であることが証明された。 LSTMアーキテクチャの設計とハイパーパラメータ最適化に加えて,2つの相補的解析を行った。 (i)外因性ドライバの相対的重要性を定量化するためのランダムフォレスト回帰を用いた解釈可能性研究、及び 2) 日常需要の最大値と最小値のタイミングを予測し, テスト日の3分の2以上で正確な時間精度を達成し, 90%以上で1時間以内のモデル性能を評価すること。 これらの結果は、提案フレームワークの予測精度と運用性の両方を強調し、多様な需要シナリオ下での計画および制御戦略の最適化を求めるグリッドオペレーターに貴重な洞察を提供する。

関連論文リスト

• A Hybrid PCA-PR-Seq2Seq-Adam-LSTM Framework for Time-Series Power Outage Prediction [5.657115189763182]
  本稿では,PCA-PR-Seq2Seq-Adam-LSTMと呼ばれるハイブリッドディープラーニングフレームワークを提案する。 主成分分析(PCA)、Poisson Regression(PR)、Sequence-to-Sequence(Seq2Seq)アーキテクチャ、Adam-Optimized LSTMを統合している。 その結果,提案手法は既存手法と比較して予測精度とロバスト性を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2025-09-20T17:13:25Z)
• 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)
• 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)
• 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)
• A comparative assessment of deep learning models for day-ahead load forecasting: Investigating key accuracy drivers [2.572906392867547]
  短期負荷予測(STLF)は電力グリッドとエネルギー市場の効果的かつ経済的な運用に不可欠である。 STLFの文献ではいくつかのディープラーニングモデルが提案されており、有望な結果を報告している。
  論文  参考訳（メタデータ） (2023-02-23T17:11:04Z)

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。