文献

J-GLOBAL ID：201902283322183084   整理番号：19A1603273

ハイブリッドAIと深層学習アルゴリズムを用いた配電網のための負荷予測プロセスの改善【JST・京大機械翻訳】

Improving Load Forecasting Process for a Power Distribution Network Using Hybrid AI and Deep Learning Algorithms

著者 (3件)： Motepe Sibonelo (Faculty of Engineering and the Built Environment, University of Johannesburg, Johannesburg, South Africa) ,  Hasan Ali N. (Faculty of Engineering and the Built Environment, University of Johannesburg, Johannesburg, South Africa) ,  Stopforth Riaan (Stopforth Mechatronics, Robotics and Research Lab, School of Engineering, University of Kwa-Zulu Natal, Durban, South Africa)
資料名： IEEE Access  (IEEE Access)
巻： 7  ページ： 82584-82598  発行年： 2019年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
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： 負荷予測は,保全計画を含む様々な応用に有用である。最近の最先端のハイブリッド人工知能(AI)および深い学習(DL)技術を用いた負荷予測の研究は,南アフリカ(SA)および南アフリカ電力配電ネットワークにおいて制限されている。本論文は,新しいハイブリッドAIとDL南アフリカ配電ネットワーク負荷予測システムを提案した。システムは,フィールドからの負荷データの収集を扱うモジュール,ファジィ論理を用いたデータ完全性の解析,データ前処理,負荷の強化と温度データ,および負荷予測から成る。次に,負荷予測結果を,保全計画を知らせるために用いた。ハイブリッドAI/DL負荷予測モジュールを用いて負荷予測を行った。また,最近の最先端のAI技術の新しい比較研究を提示して,南アフリカ電力再配分顧客の負荷を予測するとき,このモジュールにおいて展開する最良の技術を決定した。ハイブリッドAI技術の負荷予測性能に及ぼす気象パラメータと負荷データの包含の影響,最適に剪定された極端な学習機械(OP-ELM),および深い学習技術,長い短期記憶(LSTM)についても調査した。これらの技術を互いに比較し,一般的に使用されている強力なハイブリッドAI技術,適応ニューロファジィ推論システム(ANFIS)と比較した。LSTMは,本論文において2つの分配顧客の負荷を予測することにおいて,ANFISとOP-ELMより高い負荷予測精度を達成するために見つけた。LSTMモデルの性能のみが,それらの開発における温度の包含により改善された。Copyright 2019 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： ファジィニューラルネットワーク ,  *学習アルゴリズム ,  *学習 ,  ファジィ論理 ,  *深層 ,  再分布 ,  人工知能 ,  南アフリカ共和国 ,  電力 ,  *負荷予測
準シソーラス用語： 適応ニューロ-ファジィ推論システム ,  短期記憶 ,  極度学習機械 ,  プロセス改善 ,  *配電網 , 【Automatic Indexing@JST】

分類 (4件)： パターン認識  (JE07000S) ,  自然語処理  (JE06000L) ,  計算機網  (JC03000K) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： AI ,  深層学習 ,  アルゴリズム ,  配電 ,  負荷予測 ,  プロセスの改善