文献

J-GLOBAL ID：201802213828757502   整理番号：18A0797363

アンサンブル学習に基づく住宅電力消費予測のための新しいデータ駆動アプローチ【JST・京大機械翻訳】

A novel data-driven approach for residential electricity consumption prediction based on ensemble learning

著者 (7件)： Chen Kunlong (National Active Distribution Network Technology Research Center (NANTEC), Beijing Jiaotong University, Beijing, 100044, China) ,  Chen Kunlong (Collaborative Innovation Center of Electric Vehicles in Beijing, Beijing Jiaotong University, Beijing, 100044, China) ,  Jiang Jiuchun (National Active Distribution Network Technology Research Center (NANTEC), Beijing Jiaotong University, Beijing, 100044, China) ,  Jiang Jiuchun (Collaborative Innovation Center of Electric Vehicles in Beijing, Beijing Jiaotong University, Beijing, 100044, China) ,  Zheng Fangdan (National Active Distribution Network Technology Research Center (NANTEC), Beijing Jiaotong University, Beijing, 100044, China) ,  Zheng Fangdan (Collaborative Innovation Center of Electric Vehicles in Beijing, Beijing Jiaotong University, Beijing, 100044, China) ,  Chen Kunjin (State Key Lab of Power Systems, Department of Electrical Engineering, Tsinghua University, Beijing, 100084, China)
資料名： Energy  (Energy)
巻： 150  ページ： 49-60  発行年： 2018年 
JST資料番号： H0631A  ISSN： 0360-5442  CODEN： ENEYDS  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 電力市場と同様にスマートグリッドの開発により,家庭電力消費を予測することは有意に増加している。本論文では,アンサンブル学習技術を用いて年間家庭電力消費を予測するための新しいデータ駆動フレームワークを提案した。極端な勾配ブースティング森林とフィードフォワード深いネットワークをベースモデルとして用いた。これらのベースモデルをリッジ回帰によって結合した。さらに,入力特徴の重要性を推定した。特徴の部分集合を,その精度を上げるためにモデルに供給する重要な特徴として選択した。古典的回帰モデルに対する提案アンサンブルフレームワークの比較により,前者は予測誤差の30%低減できることを示した。本研究の結果は,アンサンブル学習法が家庭電力消費を予測する便利で正確な手法であることを示した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *電力消費 ,  *予測 ,  ネットワーク ,  予測誤差 ,  回帰モデル ,  電力市場 ,  部分集合 ,  モデル ,  スマートグリッド ,  ニューラルネットワーク ,  フィードフォワード
準シソーラス用語： リッジ回帰 ,  ブースティング ,  *データ駆動 ,  *アンサンブル学習 , 【Automatic Indexing@JST】

著者キーワード (4件)： 家庭電力消費 ,  アンサンブル学習 ,  ニューラルネットワーク ,  極端な勾配ブースティング

分類 (3件)： 電力工学・電力事業一般  (NB01000X) ,  エネルギーに関する技術・経済問題  (LA01050V) ,  エネルギー消費・省エネルギー  (LD01000B)

タイトルに関連する用語 (5件)： アンサンブル学習 ,  住宅 ,  電力消費 ,  予測 ,  データ駆動