文献

J-GLOBAL ID：202202278094512946   整理番号：22A0804308

ランダムフォレストとゲート付きリカレントユニットを用いた短期電力負荷予測【JST・京大機械翻訳】

Short-term electric power load forecasting using random forest and gated recurrent unit

著者 (5件)： Veeramsetty Venkataramana (Department of Electrical and Electronics Engineering, Center for Artificial Intelligence and Deep Learning, S R Engineering College, Warangal, Telangana State, India) ,  Reddy K. Rajeshwar (Department of Electrical and Electronics Engineering, S R University, Warangal, Telangana State, India) ,  Santhosh M. (Department of Electrical and Electronics Engineering, Kakatiya Institute of Technology and Science, Warangal, Telangana State, India) ,  Mohnot Arjun (Department of Computer Science Engineering, Bennett University, Noida, India) ,  Singal Gaurav (Department of Computer Science Engineering, Bennett University, Noida, India)
資料名： Electrical Engineering  (Electrical Engineering)
巻： 104  号： 1  ページ： 307-329  発行年： 2022年 
JST資料番号： A0448A  ISSN： 0948-7921  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 本論文の主目的は,電力負荷を推定するための効率的な機械学習モデルを開発することである。開発された機械学習モデルは,電力系統の適切な運用と保全のために電力会社によって,また,エネルギー市場で電力を効果的に取引するために使用することができる。本論文では,ゲートリカレントユニット(GRU)とランダムフォレスト(RF)を用いた機械学習モデルを提案した。GRUを用いて電力負荷を予測したが,RFを用いてモデルの入力寸法を低減した。GRUは,良好な精度で負荷を推定した。RFは,軽量GRUモデルを導くGRUの入力次元を低減する。軽量GRUモデルの主な利点は計算時間とメモリ空間が少ないことである。しかし,軽量GRUモデルは,元のGRUモデルと比較して,少量の精度を損失する。RFと共にGRUを,短負荷予測のために初めて使用した。すべての機械学習モデルの性能が確率的環境において観察された。最後の3週間の負荷データを考慮することによって,負荷予測に及ぼす週末の影響も観察された。Copyright The Author(s), under exclusive licence to Springer-Verlag GmbH Germany, part of Springer Nature 2021 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 ,  *電力 ,  電力系統 ,  *負荷予測 ,  精度 ,  入力 ,  *計算機アルゴリズム ,  モデル ,  負荷 ,  機械学習
準シソーラス用語： 電力会社 ,  *ランダムフォレスト ,  *電力負荷 ,  エネルギー市場 ,  *短期電力負荷予測 ,  軽量 , 【Automatic Indexing@JST】

著者キーワード (5件)： 負荷予測 ,  ゲート付きリカレントユニット ,  ランダムフォレスト ,  毎時市場 ,  毎日の市場

分類 (2件)： 電力系統一般  (NB02000E) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： ランダムフォレスト ,  ゲート ,  リカレント ,  短期電力負荷予測