文献

J-GLOBAL ID：202202266915660449   整理番号：22A0738475

毎時負荷需要予測のための学習ベクトル量子化ベース予測子モデル選択【JST・京大機械翻訳】

Learning Vector Quantization based predictor model selection for hourly load demand forecasting

著者 (1件)： Akarslan Emre (Department of Electrical Engineering, Afyon Kocatepe University, Afyonkarahisar, Turkey)
資料名： Applied Soft Computing  (Applied Soft Computing)
巻： 117  ページ： Null  発行年： 2022年 
JST資料番号： W2175A  ISSN： 1568-4946  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： スマートグリッドの開発により,グリッドに含まれる多様な発電ユニットができ,グリッドを正確に管理するための負荷需要を予測する必要がある。本研究では,各予測段階で用いる最も適切な方法を選択することに基づいて,新しいハイブリダイゼーション法を提案した。この範囲において,学習ベクトル量子化(LVQ)を分類器として採用し,Elmanニューラルネットワーク(ENN)とRidge回帰を予測子として選択した。第1段階では,予測モデルを構築し,ENNとRidge回帰モデルを用いて訓練データに関する訓練データを,1時間前,2時間前,および電力消費データの1次導関数を用いて訓練した。第2段階では,各予測に対して最も成功した結果が得られる方法を決定し,ラベル付けした。次に,LVQモデルを造り,訓練して,モデリングで採用された同じ入力を用いて,最も正確な予測を決定した。最後に,予測をLVQで使われるモデルの決定によって実行した。実験結果は,より正確な予測性能が,他の2つの個々のモデルより,提案した方式で得られることを示した。従来のモデルの異なる組合せを用いて,提案した選択戦略の有効性を説明し,そして,実験結果は,より良い予測性能が,各組合せにおける個々のものより,提案した方式によって得られることを示した。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： 電力消費 ,  発電設備 ,  ニューラルネットワーク ,  モデリング ,  *需要予測 ,  負荷 ,  回帰モデル ,  導関数 ,  有効性 ,  予測モデル ,  スマートグリッド
準シソーラス用語： 訓練データ ,  *予測子 ,  *モデル選択 ,  予測性能 ,  Elmanニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (4件)： 学習ベクトル量子化 ,  毎時負荷需要 ,  ハイブリッドモデル ,  予測モデル選択

分類 (1件)： 電力系統一般  (NB02000E)

タイトルに関連する用語 (4件)： 需要予測 ,  学習ベクトル量子化 ,  予測子 ,  モデル選択