Temporal Encoding Strategies for Energy Time Series Prediction

要約

現代の電力システムでは、エネルギー消費予測は、グリッドの安定性とリソース配分を維持する上で重要な役割を果たし、電力会社がエネルギー廃棄物を最小限に抑え、グリッドの過負荷を避けることができます。
エネルギーの最適化に関するいくつかの研究作業がありますが、リアルタイムの変動の複雑さとエネルギー消費の周期的なパターンに対処できないことがよくあります。
この作業は、時系列データの周期的特徴を正弦波エンコードすることにより、予測モデルの精度を高めるための新しいアプローチを提案します。
パフォーマンスの増加を実証するために、提案された正弦波エンコードを使用して、エネルギー需要データセットでいくつかの統計的およびアンサンブル機械学習モデルをトレーニングしました。
これらのモデルのパフォーマンスは、従来のエンコーディング方法で訓練された同一のモデルに対してベンチマークされました。
結果は、ルート平均二乗誤差（0.5497から0.4802）の12.6％の改善とR^2スコアの7.8％の増加（0.7530から0.8118）を示し、提案されたエンコードが従来の方法よりも時間パターンの環状性質をよりよく捕らえることを示しています。
提案された方法論は、計算効率を維持しながら予測精度を大幅に向上させ、スマートグリッドシステムのリアルタイムアプリケーションに適しています。

要約(オリジナル)

In contemporary power systems, energy consumption prediction plays a crucial role in maintaining grid stability and resource allocation enabling power companies to minimize energy waste and avoid overloading the grid. While there are several research works on energy optimization, they often fail to address the complexities of real-time fluctuations and the cyclic pattern of energy consumption. This work proposes a novel approach to enhance the accuracy of predictive models by employing sinusoidal encoding on periodic features of time-series data. To demonstrate the increase in performance, several statistical and ensemble machine learning models were trained on an energy demand dataset, using the proposed sinusoidal encoding. The performance of these models was then benchmarked against identical models trained on traditional encoding methods. The results demonstrated a 12.6% improvement of Root Mean Squared Error (from 0.5497 to 0.4802) and a 7.8% increase in the R^2 score (from 0.7530 to 0.8118), indicating that the proposed encoding better captures the cyclic nature of temporal patterns than traditional methods. The proposed methodology significantly improves prediction accuracy while maintaining computational efficiency, making it suitable for real-time applications in smart grid systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google