論文の概要: A Benchmark for Electrical Load Forecasting Across Grid Levels: Time-Series Transformers Outperform Established Methods
- arxiv url: http://arxiv.org/abs/2607.15705v1
- Date: Fri, 17 Jul 2026 07:32:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.782248
- Title: A Benchmark for Electrical Load Forecasting Across Grid Levels: Time-Series Transformers Outperform Established Methods
- Title（参考訳）: グリッドレベルの電力負荷予測のためのベンチマーク:時間列変圧器の確立法
- Abstract要約: トランスフォーマーベースのアプローチは確立した手法を一貫して上回り、予測誤差を6.6-10.7%削減した。
我々は,Transformerをベースとした時系列基礎モデルChronos-2を評価し,TSOデータの特別なイベントを正確にキャプチャできない2つのデータセットに対して,競合ゼロショット性能を示す。
- 参考スコア（独自算出の注目度）: 3.3180230163290463
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate load forecasting at multiple grid levels is essential for future smart grids, ranging from aggregated control area forecasts for balancing supply and demand to forecasts of individual end-consumer loads for demand-side management and energy management systems. We present a comprehensive benchmark for load forecasting across grid levels, comprising three datasets that represent a transmission system operator control area, low-voltage grid feeders, and individual end consumers. We evaluate ten methods for short-term load forecasting and find that Transformer-based approaches consistently outperform established methods, reducing forecast error by 6.6-10.7 %. To analyze the impact of architectural design, we introduce YAformer, a flexible Transformer architecture that integrates modifications from prior work and is optimized via hyperparameter optimization. However, the standard Transformer achieves superior performance, suggesting that these architectural modifications are not required for accurate load forecasting. We further evaluate the Transformer-based time-series foundation model Chronos-2, which demonstrates competitive zero-shot performance on two datasets but fails to accurately capture special events in the TSO data. Detailed analyses reveal model-specific strengths and weaknesses, and ablation studies highlight the importance of long input contexts, covariates and continuous retraining - aspects that are often overlooked in the time-series forecasting literature.
- Abstract（参考訳）: 複数のグリッドレベルでの正確な負荷予測は、供給と需要のバランスをとるための集約された制御領域の予測から、需要側管理とエネルギー管理システムの個々のエンド消費者負荷の予測まで、将来のスマートグリッドにとって不可欠である。
本稿では,送電系統のオペレータ制御領域を表す3つのデータセット,低電圧グリッド供給装置,個人エンドコンシューマからなる,グリッドレベルの負荷予測のための総合的ベンチマークを提案する。
我々は,短期負荷予測の10つの手法を評価し,トランスフォーマーベースのアプローチが確立した手法を一貫して上回り,予測誤差を6.6-10.7%削減することを確認した。
アーキテクチャ設計の影響を分析するために,従来の作業の修正を統合し,ハイパーパラメータ最適化によって最適化された,柔軟なトランスフォーマーアーキテクチャであるYAformerを導入する。
しかし、標準のTransformerは優れた性能を実現しており、これらのアーキテクチャ変更は正確な負荷予測には必要ではないことを示唆している。
さらに,Transformerをベースとした時系列基礎モデルChronos-2を評価し,TSOデータ中の特別なイベントを正確にキャプチャできない2つのデータセットに対して,競合ゼロショット性能を示す。
詳細な分析は、モデル固有の強みと弱さを明らかにし、アブレーション研究は、長い入力コンテキスト、共変量、継続的な再訓練の重要性を強調している。
関連論文リスト
- LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。
LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文 参考訳（メタデータ） (2026-05-11T09:54:02Z) - LSTM-Based Forecasting and Analysis of EV Charging Demand in a Dense Urban Campus [2.242735348583755]
このフレームワークは、複数の場所から大量の生データを処理し、正規化と特徴抽出によってLSTMを訓練する。
モデルが複数の時間スケールで充電需要を正確に予測する能力は、インフラ計画、エネルギー管理、グリッド統合に貴重な洞察を与えてくれる。
論文 参考訳（メタデータ） (2025-10-19T05:23:21Z) - 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) - Powerformer: A Transformer with Weighted Causal Attention for Time-series Forecasting [50.298817606660826]
我々は,非因果重みをスムーズな重み付き崩壊に応じて再加重する因果重みに置き換える新しいトランスフォーマーであるPowerformerを紹介する。
我々の実証実験の結果,Powerformer は公開時系列ベンチマークで最先端の精度を達成できた。
分析の結果、トレーニング中にモデルの局所性バイアスが増幅され、時系列データとパワールールに基づく注意の相互作用が示されることがわかった。
論文 参考訳（メタデータ） (2025-02-10T04:42:11Z) - Inter-Series Transformer: Attending to Products in Time Series Forecasting [5.459207333107234]
我々は,共有マルチタスク毎の時系列ネットワークを用いたトランスフォーマーに基づく新しい予測手法を開発した。
医療機器製造会社における需要予測の改善に本手法を適用したケーススタディを提案する。
論文 参考訳（メタデータ） (2024-08-07T16:22:21Z) - Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。
実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。
Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
論文 参考訳（メタデータ） (2024-07-28T19:18:59Z) - 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) - Short-Term Electricity Load Forecasting Using the Temporal Fusion
Transformer: Effect of Grid Hierarchies and Data Sources [0.0]
短期負荷予測のためのTFTアーキテクチャの可能性について検討する。
TFTアーキテクチャは、グリッド全体の日頭予測のための最先端のLSTMモデルよりも高い予測性能を提供していない。
その結果, サブステーションレベルに適用した場合, 上位グリッドレベルへのアグリゲーションによるTFTの大幅な改善が認められた。
論文 参考訳（メタデータ） (2023-05-17T20:33:51Z) - 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) - 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) - 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。