論文の概要: A Lightweight DL Model for Smart Grid Power Forecasting with Feature and Resolution Mismatch

• arxiv url: http://arxiv.org/abs/2510.16911v1
• Date: Sun, 19 Oct 2025 16:12:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:39.203047
• Title: A Lightweight DL Model for Smart Grid Power Forecasting with Feature and Resolution Mismatch
• Title（参考訳）: 特徴量と分解能ミスマッチを考慮したスマートグリッド電力予測のための軽量DLモデル
• Authors: Sarah Al-Shareeda, Gulcihan Ozdemir, Heung Seok Jeon, Khaleel Ahmad,
• Abstract要約: 本稿では、実世界の高周波データを用いて、日々の電力需要を予測することを課題とする。 我々は、時間単位のダウンサイズ化、二重モードのインパルス化、包括正規化を組み合わせた頑健で軽量なディープラーニングパイプラインを提案する。 シーケンス・ツー・ワンのモデルでは、平均RMSEは601.9W、MAEは468.9W、精度は84.36%である。
• 参考スコア（独自算出の注目度）: 0.4999814847776097
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How can short-term energy consumption be accurately forecasted when sensor data is noisy, incomplete, and lacks contextual richness? This question guided our participation in the \textit{2025 Competition on Electric Energy Consumption Forecast Adopting Multi-criteria Performance Metrics}, which challenged teams to predict next-day power demand using real-world high-frequency data. We proposed a robust yet lightweight Deep Learning (DL) pipeline combining hourly downsizing, dual-mode imputation (mean and polynomial regression), and comprehensive normalization, ultimately selecting Standard Scaling for optimal balance. The lightweight GRU-LSTM sequence-to-one model achieves an average RMSE of 601.9~W, MAE of 468.9~W, and 84.36\% accuracy. Despite asymmetric inputs and imputed gaps, it generalized well, captured nonlinear demand patterns, and maintained low inference latency. Notably, spatiotemporal heatmap analysis reveals a strong alignment between temperature trends and predicted consumption, further reinforcing the model's reliability. These results demonstrate that targeted preprocessing paired with compact recurrent architectures can still enable fast, accurate, and deployment-ready energy forecasting in real-world conditions.
• Abstract（参考訳）: センサデータが騒々しく、不完全で、文脈的豊かさに欠ける場合、短期的なエネルギー消費を正確に予測するにはどうすればよいのか? この質問は、実世界の高頻度データを用いて次世代の電力需要を予測するために、チームが挑戦する、電力消費予測に関する「textit{2025 Competition on Electric Energy Consumption Forecast Adopting Multi-criteria Performance Metrics}」への参加をガイドした。 我々は、時空の縮小化、二重モードのインパルス(平均と多項式の回帰)と包括正規化を組み合わせた頑健で軽量なDeep Learning (DL)パイプラインを提案し、最終的に最適なバランスのためにStandard Scalingを選択した。 軽量GRU-LSTMシークエンス・ツー・ワンモデルでは、平均RMSEは601.9~W、MAEは468.9~W、精度は84.36\%である。 非対称な入力と暗示的なギャップにもかかわらず、それはうまく一般化され、非線形な需要パターンを捉え、低推論レイテンシを保持した。 特に、時空間熱マップ解析は、温度トレンドと予測される消費との間に強い整合性を示し、モデルの信頼性をさらに強化する。 これらの結果から,コンパクトなリカレントアーキテクチャと組み合わせたターゲットプリプロセッシングにより,実環境下での高速かつ高精度で展開可能なエネルギー予測が可能であることが示唆された。

関連論文リスト

• Short-Term Regional Electricity Demand Forecasting in Argentina Using LSTM Networks [0.0]
  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。
  論文  参考訳（メタデータ） (2025-09-19T19:20:49Z)
• An Explainable, Attention-Enhanced, Bidirectional Long Short-Term Memory Neural Network for Joint 48-Hour Forecasting of Temperature, Irradiance, and Relative Humidity [0.0]
  本稿では、スマートHVACシステムにおけるモデル予測制御(MPC)を支援するため、48時間の温度、太陽光、相対湿度の予測のためのディープラーニング(DL)フレームワークを提案する。 このアプローチでは、BiLSTM(Bidirectional Long Short-Term Memory)ネットワークに注意を払っており、3変数全てを共同で予測することで、時間的および横断的な依存関係をキャプチャする。 このモデルは、平均絶対誤差が摂氏1.3度(温度)、31W/m2(照度)、6.7%(湿度)、最先端の数値予測と機械学習ベンチマークを上回った。
  論文  参考訳（メタデータ） (2025-08-28T15:40:33Z)
• Automated Energy-Aware Time-Series Model Deployment on Embedded FPGAs for Resilient Combined Sewer Overflow Management [17.903318666906728]
  気候変動によって激化する極度の気象現象は、下水道システムの老朽化に挑戦する傾向にある。 下水道流域充填量の予測は早期介入に有効な洞察を与えることができる。 本稿では,エッジデバイス上でエネルギー効率の高い推論を可能にするエンドツーエンド予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-19T15:06:04Z)
• Accelerated Test-Time Scaling with Model-Free Speculative Sampling [58.69141724095398]
  STAND(Stochastic Adaptive N-gram Drafting)は,新しいモデルフリーな投機的デコード手法である。 従来の自己回帰復号法と比較して,STANDは推論遅延を60～65%削減することを示した。 モデルフリーのアプローチとして、STANDは追加のトレーニングなしで既存の言語モデルに適用できる。
  論文  参考訳（メタデータ） (2025-06-05T07:31:18Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Grid Frequency Forecasting in University Campuses using Convolutional LSTM [0.0]
  本稿では,畳み込みニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を用いて,グリッド周波数の堅牢な時間予測モデルを確立する。 個々のConvLSTMモデルは、各キャンパスビルの電力消費データに基づいて訓練され、歴史的傾向に基づいてグリッド周波数を予測する。 アンサンブルモデル(英: Ensemble Model)は、建物固有のモデルから洞察を収集し、キャンパス全体の総合的な予測を提供する。
  論文  参考訳（メタデータ） (2023-10-24T13:53:51Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Demand Forecasting in Smart Grid Using Long Short-Term Memory [0.0]
  Long Short-Term Memory (LSTM) は時系列データの予測において有望な結果を示す。 本稿では、ニューラルネットワークアーキテクチャを用いたLSTMに基づくモデルを提案し、電力需要を予測する。
  論文  参考訳（メタデータ） (2021-07-28T21:45:54Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。