文献

J-GLOBAL ID：202002248506199157   整理番号：20A2616632

短期負荷予測のための条件表GANベース2段階データ生成方式【JST・京大機械翻訳】

Conditional Tabular GAN-Based Two-Stage Data Generation Scheme for Short-Term Load Forecasting

著者 (4件)： Moon Jaeuk (School of Electrical Engineering, Korea University, Seoul, South Korea) ,  Jung Seungwon (School of Electrical Engineering, Korea University, Seoul, South Korea) ,  Park Sungwoo (School of Electrical Engineering, Korea University, Seoul, South Korea) ,  Hwang Eenjun (School of Electrical Engineering, Korea University, Seoul, South Korea)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 205327-205339  発行年： 2020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： 負荷予測はスマートグリッドのエネルギー効率を高めるための重要な作業の一つである。最近の深層学習ベース負荷予測モデルは,優れた予測性能を示したが,直面する共通問題の1つは,それらの予測精度がモデル訓練に利用できるデータ品質と量に大きく依存していることである。十分な量の高品質データの収集は,高価で時間がかかる。最近,生成敵対ネットワーク(GAN)は,少量の実データに基づく仮想データを生成することによって,データ不足問題に対する解決策としての可能性を示し,いくつかの研究は,訓練予測モデルのための電気負荷データを生成するためにGANを使用した。しかし,GANのノイズデータ問題のために,それらの予測性能も悪化した。この問題を解決するために,本研究では,短期負荷予測のために入力と出力変数を効果的に生成する2段階データ生成方式を提案した。第一段階では,条件付き表GAN(CTGAN)を用いて入力変数として使われる仮想暦と温度データを生成した。第2段階では,深層学習ベースの回帰モデルを用いて入力変数に対応する電気負荷データを生成した。最後に,生成されたデータと実際のデータの混合物を用いて,他の回帰モデルを訓練することによって,著者らの予測モデルを構築した。この方式の有効性を検証するために,様々なデータセットとデータ生成モデルを用いて広範な実験を行った。いくつかの結果について報告する。Copyright 2020 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： ネットワーク ,  *負荷予測 ,  ベース負荷 ,  回帰モデル ,  有効性 ,  エネルギー効率 ,  予測モデル ,  スマートグリッド
準シソーラス用語： 予測精度 ,  予測性能 ,  高品質 ,  データ品質 ,  データ生成 ,  深層学習 ,  電気負荷 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 短期 ,  負荷予測 ,  GaN ,  段階 ,  データ生成