抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
近年,電力系統における時系列電力予測のための深層学習(DL)モデルの開発において指数的成長が見られる。しかしながら,提案モデルの多くは,提案ニューラルアーキテクチャの適切性を損なわずに,設計者固有の知識および経験に基づいて設計されている。さらに,これらのモデルは,それらの構造の柔軟な設計のために,動的に変化したデータパターンに自己調整することができない。いくつかの最近の研究は,電力予測部門における最適化構造を持つネットワークを得るためのニューラルアーキテクチャ探索(NAS)技術の応用を検討しているが,その訓練プロセスは計算コストが高く,その探索戦略は柔軟でなく,この分野におけるNAS応用はまだ初期段階にあることを示している。本研究では,時系列電力予測モデルの開発のための知的自動化アーキテクチャ探索(IAAS)フレームワークを提案した。提案したフレームワークは,3つの主要なコンポーネント,すなわち,ネットワーク機能保存変換操作,強化学習(RL)ベースのネットワーク変換制御,および発見的ネットワークスクリーニングを含み,それはネットワーク構造の探索品質を改善することを目的とする。2つの公的に利用可能な電力負荷データセットと2つの風力発電データセットで包括的な実験を行った後,提案したIAAS枠組みが予測精度と安定性に関して10の既存のモデルや方法よりもかなり優れていることを実証した。最後に,予測精度の改善における提案IAASフレームワークにおける重要コンポーネントの重要性を示すために,アブレーション実験を行った。【JST機械翻訳】