文献

J-GLOBAL ID：202102222281678975   整理番号：21A0069252

超短期配電ゾーン変電所ピーク需要予測のためのLSTMニューラルネットワークモデル【JST・京大機械翻訳】

LSTM Neural Network Model for Ultra-short-term Distribution Zone Substation Peak Demand Prediction

著者 (2件)： Ibrahim Ibrahim Anwar (Macquarie University,School of Engineering,Sydney,NSW,Australia,2109) ,  Hossain M. J. (University of Technology Sydney,School of Electrical and Data Engineering,Sydney,NSW,Australia,2007)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： PESGM  ページ： 1-5  発行年： 2020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： 配電負荷需要データの正確な予測は,電力系統ネットワークとエネルギー管理戦略と政策の将来の計画のコーナー石である。本論文では,オーストラリア,ニューサウスウェールズ州における分布ゾーン変電所ピーク需要データを14年間,また15分間隔に基づいて予測するための長い短期メモリ(LSTM)ニューラルネットワークモデルを提案した。得られた結果をフィードフォワードニューラルネットワーク(FFNN)と再帰ニューラルネットワーク(RNN)モデルで得た結果と比較した。3つの統計的性能評価,すなわち,二乗平均平方根誤差(RMSE),平均バイアス誤差(MBE)および平均絶対パーセント誤差(MAPE)を用いて,提案モデルの有効性を検証した。LSTMニューラルネットワークモデルのRMSE,MBEおよびMAPEは,それぞれ1.2556%,1.2201%および2.2250%であった。さらに,計算時間は12.3309秒であり,これはFFNNおよびRNNモデルよりも速かった。結果は,精度と計算速度に関して前述のモデルに対して提案モデルの有効性を示す。Copyright 2021 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： 記憶装置 ,  *ネットワーク ,  *変電所 ,  電力系統 ,  *配電 ,  *ニューラルネットワーク ,  オーストラリア連邦 ,  計算機処理速度 ,  バイアス ,  エネルギー管理 ,  ニューサウスウェールズ州 ,  有効性 ,  性能評価
準シソーラス用語： *神経回路網モデル ,  フィードフォワードニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (7件)： 短期 ,  配電 ,  ゾーン ,  変電所 ,  需要予測 ,  LSTM ,  ニューラルネットワークモデル