小型データセットのための双方向逐次モデルと特徴工学を用いた短期負荷予測【JST・京大機械翻訳】

Wahab Abdul; Tahir Muhammad Anas; Iqbal Naveed; Shafait Faisal; Kazmi Syed Muhammad Raza

プレプリント

J-GLOBAL ID：202202202892903790 整理番号：22P0213332

小型データセットのための双方向逐次モデルと特徴工学を用いた短期負荷予測【JST・京大機械翻訳】

Short-Term Load Forecasting using Bi-directional Sequential Models and Feature Engineering for Small Datasets

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2020年11月28日プレプリントサーバーでの情報更新日： 2020年11月28日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

電力負荷予測は,グリッドオペレータが需要応答とエネルギー効率のようなスマートグリッドの最も重要な特徴を最適に実装することを可能にする。電力需要プロファイルは,1つの地域から日,季節,および年間規模で劇的に変化する。したがって,訓練データが制限されるとき,多様なデータセットで最良の推定を出すことができる負荷予測技術を考案することは,大きな課題である。本論文は,より良い学習と予測のためのモデルを助けるために,手作業導出特徴を抽出する特徴工学と連動して双方向逐次モデルに基づく短期負荷予測のための深層学習アーキテクチャを提示した。提案したアーキテクチャでは,Deeped Derived Function Fusion(DeepDeFF)と命名して,生入力と手作業特徴を,別々のレベルで訓練し,次に,最終予測を行うために,それぞれの出力を結合した。提案した方法論の有効性を,完全に異なるパターンを持つ5か国からのデータセットで評価した。その結果,提案技法は既存の最先端技術よりも優れていることを示した。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

電力系統一般

, , , , , ,

前のページに戻る