文献

J-GLOBAL ID：201802225406677296   整理番号：18A1145924

機械学習モデルを用いた短期および中期負荷予測【JST・京大機械翻訳】

Short-and mid-term load forecasting using machine learning models

著者 (3件)： Su Fangchen (School of Electronics and Information Technology, Sun Yat-Sen University, Guangzhou, Guangdong, 510006, China) ,  Xu Yinliang (School of Electronics and Information Technology, Sun Yat-Sen University, Guangzhou, Guangdong, 510006, China) ,  Tang Xiaoying (School of Electronics and Information Technology, Sun Yat-Sen University, Guangzhou, Guangdong, 510006, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： CIEEC  ページ： 406-411  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 多様化されたユーザに対する増加する負荷需要により,負荷予測はエネルギー管理システム(EMS)における不可欠な部分として現れる。負荷予測精度を改善することは,スマートグリッドの建設と開発に非常に重要である。本論文では,以下の3つの機械学習モデルを用いて,電気負荷の短期および中間項を予測することに焦点を合わせた。線形回帰(LR),サポートベクトル回帰(SVR),勾配ブースティング回帰ツリー(GBRT)。入力特徴は,気象情報と電気負荷データの間の相関を含む。提案したモデルを,ニューヨーク独立システム演算子(NYISO)データセットから得たデータでテストした。シミュレーション結果は,すべてのモデルが予測精度に関して満足な性能を達成することを示した。勾配ブースティング回帰ツリーモデルは,より高い精度で短期および中期負荷予測の両方に関して最も有望な結果をもたらす。本論文において,GBRTに基づくAdaBoost集合アルゴリズムのハイブリッド法を提案した。それは上記の3つの方法と比較して負荷予測精度の改善を示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【JST・京大機械翻訳】

シソーラス用語： ニューヨーク州 ,  スマートグリッド ,  多様化 ,  シミュレーション ,  *負荷予測 ,  *モデル ,  アルゴリズム ,  *機械学習
準シソーラス用語： ハイブリッド法 ,  AdaBoost ,  予測精度 ,  ブースティング ,  サポートベクトル回帰 ,  線形回帰 ,  電気負荷 , 【Automatic Indexing@JST】

分類 (2件)： 電力系統一般  (NB02000E) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 機械学習 ,  モデル ,  短期 ,  中期 ,  負荷予測