文献

J-GLOBAL ID：202002284706818417   整理番号：20A2264532

VMDと注意-LSTMに基づく電力負荷予測【JST・京大機械翻訳】

Power Load Forecasting Based on VMD and Attention-LSTM

著者 (5件)： Chao Han-Chieh (Department of Electrical Engineering, National Dong Hwa University Hualien, Taiwan, R.O.C) ,  Lin Fu (College of Information Science and Engineering, Fu Jian University of Technology, Fu Jian, China) ,  Pan Jeng-Shyang (College of Computer Science and Engineering, Shandong University of Science and Technology, Qingdao, China) ,  Chien Wei-Che (Department of Computer Science and Information Engineering, National Dong Hwa University, Hualien, Taiwan, R.O.C.) ,  Lai Chin-Feng (Department of Engineering Science, National Cheng Kung University, Tainan, Taiwan, R.O.C)
資料名： ACM Proceedings  (ACM Proceedings)
号： DSIT 2020  ページ： 19-25  発行年： 2020年 
JST資料番号： D0698C  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： 短期負荷予測の正確な予測は,需要側応答と電力配分への大きな支援である。短期電力負荷予測の精度を改善するために,元の電力負荷データ信号を,変分モード分解(VMD)法を用いて分解した。分解されたサブ信号と元の信号は新しいデータセットを形成し,次にニューラルネットワークによって訓練される。分解されたサブ信号は,ニューラルネットワークによって学習するのが難しい電力負荷内の詳細な特徴を反映する。VMD解析を通して,ニューラルネットワークは,より豊富な情報を学習することができ,それは,重ね合わせ予測方法より効果的であった。ニューラルネットワーク予測モデルは,注意長短期メモリ(Attention-LSTM)に基づくアーキテクチャを選択する。注意機構の追加は,重要な分解情報を完全に学習することを可能にする。この方法の有効性を実験によって証明した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 予測技法 ,  記憶装置 ,  変分法 ,  配電 ,  *負荷予測 ,  ニューラルネットワーク ,  重合せ ,  有効性 ,  計算機アーキテクチャ ,  予測モデル
準シソーラス用語： *電力負荷 ,  モード分解 ,  短期電力負荷予測 ,  長短期記憶 , 【Automatic Indexing@JST】

著者キーワード (4件)： 注意機構 ,  長期短期記憶 ,  短期負荷予測 ,  変分モード分解

分類 (1件)： 電力系統一般  (NB02000E)

タイトルに関連する用語 (4件)： 注意 ,  LSTM ,  電力負荷 ,  予測