論文の概要: GCA-BULF: A Bottom-Up Framework for Short-Term Load Forecasting Using Grouped Critical Appliances

• arxiv url: http://arxiv.org/abs/2604.24766v1
• Date: Sat, 04 Apr 2026 08:34:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-04 02:32:14.210276
• Title: GCA-BULF: A Bottom-Up Framework for Short-Term Load Forecasting Using Grouped Critical Appliances
• Title（参考訳）: GCA-BULF: グループクリティカルアプライアンスを用いた短期負荷予測のためのボトムアップフレームワーク
• Authors: Yunhao Yao, Jinwei Fang, Puhan Luo, Zhiqiang Wang, Jiahui Hou, Xiang-Yang Li,
• Abstract要約: グループ化クリティカルアプライアンスに基づくボトムアップ短期負荷予測フレームワークであるGAA-BULFを提案する。 住宅・オフィスビルの負荷予測作業における GCA-BULF の評価を行った。
• 参考スコア（独自算出の注目度）: 11.82937151427833
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rise of time-of-use and tiered electricity pricing, energy consumers are encouraged to adopt peak-shifting strategies by automatically controlling high-power appliances. These help lower energy costs while enhancing the power grid's stability. To support such energy management with high resilience and responsiveness, reliable short-term load forecasting (STLF) plays a critical role. STLF predicts electricity consumption over time horizons ranging from minutes to days, using historical data, temporal patterns, and contextual factors. Traditional top-down forecasting methods struggle to capture the complex consumption patterns of diverse and mixed appliance loads. Although bottom-up methods improve forecasting accuracy by integrating appliance-level data, monitoring all appliances is costly, and many do not meaningfully impact total load prediction. Therefore, we propose GCA-BULF, a bottom-up short-term load forecasting framework based on grouped critical appliances, supported by three key designs. First, the Critical Appliance Filtering module ranks appliances according to their power consumption, switching frequency, and usage pattern periodicity, and identifies critical ones through iterative load decomposition. Next, the Related Appliance Grouping module clusters these appliances based on spatial and temporal correlations for group-level forecasting. Finally, the Collaborative Load Forecasting module refines the total load prediction by combining multiple group-level forecasts. We evaluate GCA-BULF on residential and office building load forecasting tasks. Experimental results reveal that GCA-BULF improves hourly total load forecasting by 20.85%-57.88% compared to existing top-down methods and by 33.03%-92.48% compared to bottom-up methods.
• Abstract（参考訳）: 利用時間の上昇と電力価格の結びつきにより、エネルギー消費者は高出力家電を自動制御してピークシフト戦略を採用することが奨励される。 これらは電力グリッドの安定性を高めながらエネルギーコストを下げるのに役立つ。 高い弾力性と応答性でエネルギー管理を支援するため、信頼性のある短期負荷予測(STLF)が重要な役割を果たす。 STLFは、歴史的データ、時間的パターン、文脈的要因を用いて、数分から数日にわたる時間的地平線上での電力消費を予測する。 従来のトップダウン予測手法は、多種多様な機器負荷の複雑な消費パターンを捉えるのに苦労する。 ボトムアップ手法はアプライアンスレベルのデータを統合することで予測精度を向上させるが、すべてのアプライアンスを監視するのにコストがかかり、総負荷予測には意味がないものが多い。 そこで本研究では,グループ化クリティカルアプライアンスに基づくボトムアップ短期負荷予測フレームワークであるGCA-BULFを提案する。 第1に、Critical Appliance Filteringモジュールは、その消費電力、スイッチング周波数、使用パターンの周期性に応じてアプライアンスをランク付けし、反復的な負荷分解によってクリティカルなアプライアンスを識別する。 次に、関連アプライアンス・グループ・モジュールは、これらのアプライアンスを群レベルの予測のための空間的および時間的相関に基づいてクラスタ化する。 最後に、協調負荷予測モジュールは、複数のグループレベルの予測を組み合わせることで、全体の負荷予測を洗練します。 住宅・オフィスビルの負荷予測作業における GCA-BULF の評価を行った。 実験の結果, GCA-BULFは, 従来のトップダウン法に比べて20.85%-57.88%, ボトムアップ法より33.03%-92.48%改善していることがわかった。

関連論文リスト

• Machine Learning for Campus Energy Resilience: Clustering and Time-Series Forecasting in Intelligent Load Shedding [0.0]
  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。
  論文  参考訳（メタデータ） (2025-09-21T14:29:31Z)
• Short-Term Power Demand Forecasting for Diverse Consumer Types to Enhance Grid Planning and Synchronisation [0.0]
  本研究は, 産業, 商業, 住宅消費者の差別化による正確な予測の必要性に対処するものである。 短時間負荷予測(STLF)と短時間負荷予測(VSTLF)のためのAIおよび機械学習アルゴリズムを探索し比較した。
  論文  参考訳（メタデータ） (2025-06-04T12:01:11Z)
• From Dense to Sparse: Event Response for Enhanced Residential Load Forecasting [48.22398304557558]
  住宅負荷予測のためのイベント応答型知識ガイド手法(ERKG)を提案する。 ERKGは、異なる家電の電力使用状況の推定、負荷系列からのイベント関連スパース知識のマイニングを取り入れている。
  論文  参考訳（メタデータ） (2025-01-06T05:53:38Z)
• Hybrid Forecasting of Geopolitical Events [71.73737011120103]
  SAGEは、人間と機械が生成した予測を組み合わせたハイブリッド予測システムである。 このシステムは、確率と評価されたスキルに基づいて、人間と機械の予測の重み付けを集約する。 機械による予測にアクセスできる熟練した予測者は、過去のデータしか見ていない者よりも優れていた。
  論文  参考訳（メタデータ） (2024-12-14T22:09:45Z)
• 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)
• Interactive Generalized Additive Model and Its Applications in Electric Load Forecasting [12.431475555894089]
  本稿では,電力産業において,解釈可能なだけでなく,特定の分野の知識を取り入れた対話型GAMを提案する。 我々の対話型GAMは、現在の最先端手法よりも優れており、極端な気象事象の場合に優れた一般化能力を示す。 インタラクティブなGAMをベースにしたユーザフレンドリーなWebベースのツールをローンチし、すでにeForecaster製品に組み込んでいます。
  論文  参考訳（メタデータ） (2023-10-24T09:17:47Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• A Hybrid Model for Forecasting Short-Term Electricity Demand [59.372588316558826]
  現在、英国電気市場は、規制当局が30分毎に発行する負荷(需要)予測によってガイドされている。 本稿では,機能工学(候補予測機能の選択),移動ウィンドウ予測,LSTMエンコーダデコーダを組み合わせたハイブリッド予測モデルHYENAを提案する。
  論文  参考訳（メタデータ） (2022-05-20T22:13:25Z)
• Appliance Level Short-term Load Forecasting via Recurrent Neural Network [6.351541960369854]
  本稿では,各家電の消費電力を効率よく予測するSTLFアルゴリズムを提案する。 提案手法は、ディープラーニングにおける強力なリカレントニューラルネットワーク(RNN)アーキテクチャに基づいている。
  論文  参考訳（メタデータ） (2021-11-23T16:56:37Z)
• Investigating Underlying Drivers of Variability in Residential Energy Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
  スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。 本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
  論文  参考訳（メタデータ） (2021-02-16T16:56:27Z)

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。