文献

J-GLOBAL ID：202202213959316830   整理番号：22A0734502

区間推定調整による移動学習を用いた短期電力負荷予測【JST・京大機械翻訳】

Short-term electric load prediction using transfer learning with interval estimate adjustment

著者 (4件)： Jin Yuwei (Electrical and Electronic Engineering, Kyungpook National University, Daegu 41566 South Korea) ,  Acquah Moses Amoasi (Electrical Energy Engineering, Keimyung University, Daegu 42601 South Korea) ,  Seo Mingyu (Electrical and Electronic Engineering, Kyungpook National University, Daegu 41566 South Korea) ,  Han Sekyung (Electrical and Electronic Engineering, Kyungpook National University, Daegu 41566 South Korea)
資料名： Energy and Buildings  (Energy and Buildings)
巻： 258  ページ： Null  発行年： 2022年 
JST資料番号： A0199A  ISSN： 0378-7788  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 現在,大きなデータの時代にあるが,ユーザと企業のための情報保護のために,完全で大規模なデータを得ることは,常に困難である。ほとんどの場合,機械学習ベースの予測モデルの性能に害を与える部分データのみを得ることができる。負荷予測精度を効果的に改善するために,パラメータベースの転送学習によるCNN-GRUハイブリッドモデルを提案した。訓練モデルの詳細を,より小さなデータセットで訓練された他のモデルから,モデルの詳細に転送することによって,より小さなデータセットを有する予測モデルの性能と精度を改良できる。その後,平均積分二乗誤差(MISE)を最小化することによって,データ分布の帯域幅を推定するために,解法-方程式(STE)法を用いて,これは,予測結果と結合して,負荷予測間隔を提供して,それは,特定の信頼区間(CI)で,将来の負荷曲線の変動範囲を提供することができる。提案した方法の有効性を検証するために,米国の住宅データと韓国の商業データを予測解析に用いた。実験結果は,本論文で提案した間隔推定調整による負荷予測方法が,データ不足の下で負荷予測の精度と信頼性を効果的に改良できることを示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  信頼性 ,  *電力 ,  *予測 ,  *負荷予測 ,  負荷曲線 ,  精度 ,  大韓民国 ,  帯域幅 ,  機械学習 ,  予測モデル ,  情報セキュリティ
準シソーラス用語： ハイブリッドモデル ,  *区間推定 ,  予測解析 ,  *短期電力負荷予測 , 【Automatic Indexing@JST】

著者キーワード (4件)： 負荷予測 ,  CNN-GRUハイブリッドモデル ,  転移学習 ,  信頼区間

分類 (1件)： 建築環境一般  (RB02010T)

タイトルに関連する用語 (3件)： 推定 ,  学習 ,  短期電力負荷予測