文献

J-GLOBAL ID：202002267740548422   整理番号：20A1974862

データ配列分解能圧縮スケール最適化に基づく月次電量予測法【JST・京大機械翻訳】

Data series resolution compression scale optimization based monthly electricity consumption forecasting

著者 (8件)： Wang Fei (華北電力大学,河北保定,071003) ,  Li Zhenghui (華北電力大学,河北保定,071003) ,  Li Yu (国网新疆電力有限公司,新疆烏魯木斉,830018) ,  Wang Tieqiang (国网河北省 電力有限公司,河北石家庄,050021) ,  Qiu Gang (国网新疆電力有限公司,新疆烏魯木斉,830018) ,  Guo Huaidong (華北電力大学,河北保定,071003) ,  Ma Hui (北京金風慧能技術有限公司,北京 100176;新疆金風科技股fen有限公司,新疆烏魯木斉 830026) ,  Wang Dongsheng (国网冀北電力有限公司,北京,100054)
資料名： Dianlixitong Baohu Yu Kongzhi  (Dianlixitong Baohu Yu Kongzhi)
巻： 48  号： 11  ページ： 62-68  発行年： 2020年 
JST資料番号： C2675A  ISSN： 1674-3415  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 正確な月別電量予測は電力部門の運行計画を指導し、販売会社の利益を保障する重要な基礎である。人工知能アルゴリズムに基づく電量予測モデルの訓練過程において、サンプル解像度の選択が不適当であるため、予測精度の低下を招く問題に対して、歴史的データ序列の解像度圧縮尺度最適化方法を提案した。最初に,データ分解能圧縮スケールを最適化問題として選択した。次に,データ駆動方式で解を求めた。最後に、長期短期記憶(LongShort-termMemory、LSTM)ニューラルネットワークを用いて、月度電量予測を実現し、それにより、データ分解能と電量予測ステップ間の合理的なバランスを実現し、電量予測精度を向上させた。アメリカのPJM電力市場の歴史的電力データを用いて,提案した方法を検証した。シミュレーションの結果は,提案した方式が,分解能圧縮スケール選択なしでより高い予測精度を持ち,同時にLSTMネットワークが,最適予測性能を有することを示した。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】

シソーラス用語： *予測技法 ,  アルゴリズム ,  *最適化 ,  最適化問題 ,  電力 ,  最適化手法 ,  分解能 ,  ニューラルネットワーク ,  人工知能 ,  電力市場 ,  予測モデル
準シソーラス用語： 予測精度 ,  データ駆動 ,  運行計画 ,  最適予測 , 【Automatic Indexing@JST】

分類 (2件)： 計算機網  (JC03000K) ,  電力工学・電力事業一般  (NB01000X)

タイトルに関連する用語 (5件)： データ配列 ,  分解能 ,  スケール ,  最適化 ,  予測法