文献

J-GLOBAL ID：202202288968283403   整理番号：22A0231629

国家規模の電力ピーク負荷予測:伝統的,機械学習またはハイブリッドモデル?【JST・京大機械翻訳】

National-scale electricity peak load forecasting: Traditional, machine learning, or hybrid model?

著者 (2件)： Lee Juyong (Department of Industrial Engineering, College of Engineering, Yonsei University, 50 Yonsei-Ro, Seodaemun-gu, Seoul, 03722, South Korea) ,  Cho Youngsang (Department of Industrial Engineering, College of Engineering, Yonsei University, 50 Yonsei-Ro, Seodaemun-gu, Seoul, 03722, South Korea)
資料名： Energy  (Energy)
巻： 239  号： PD  ページ： Null  発行年： 2022年 
JST資料番号： H0631A  ISSN： 0360-5442  CODEN： ENEYDS  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 電力需要の揮発性は気候変動と電化によって増加するので,正確なピーク負荷予測の重要性は増加している。従来のピーク負荷予測は,時系列ベースのモデルを通して実施した。しかし,最近,機械または深層学習に基づく新しいモデルが導入されている。本研究は,時系列,機械学習,およびハイブリッドモデルの性能を比較することによって,韓国のための最も正確なピーク負荷予測モデルを決定するために比較分析を行う。外因性変数(SARIMAX)による季節的自己回帰統合移動平均を時系列モデルに用いた。人工ニューラルネットワーク(ANN),サポートベクトル回帰(SVR),および長い短期メモリ(LSTM)を機械学習モデルに用いた。ハイブリッドモデルにはARIMAX-ANN,SARIMAX-SVR,およびSARIMAX-LSTMを用いた。その結果,ハイブリッドモデルはSARIMAXモデルに対して顕著な改善を示した。LSTMベースのモデルは他のものより優れていた。単一およびハイブリッドLSTMモデルは有意な性能差を示さなかった。2019年の韓国の最も高いピーク負荷の場合,LSTMモデルの予測力はSARIMAX-LSTMモデルのそれより大きいことが分かった。LSTM,SARIMAX-SVR,およびSARIMAX-LSTMモデルは,韓国で使用された現在の時系列ベース予測モデルより優れていた。したがって,韓国のピーク負荷予測性能は,機械学習またはハイブリッドモデルを含めることによって改善できる。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： 記憶装置 ,  *電力 ,  電力需要 ,  *ピーク負荷 ,  *負荷予測 ,  ニューラルネットワーク ,  大韓民国 ,  気候変動 ,  揮発性 ,  *機械学習 ,  予測モデル
準シソーラス用語： *ハイブリッドモデル ,  サポートベクトル回帰 ,  自己回帰 ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (6件)： ピーク負荷予測 ,  電力需要 ,  比較研究 ,  時系列モデル ,  機械学習モデル ,  ハイブリッドモデル

分類 (3件)： 放射,大気光学  (DC05080C) ,  エネルギー資源及び開発  (LB01000V) ,  風力エネルギー  (LB03060X)

タイトルに関連する用語 (5件)： 国家 ,  規模 ,  負荷予測 ,  機械学習 ,  ハイブリッドモデル