Heat Demand Forecasting with Multi-Resolutional Representation of Heterogeneous Temporal Ensemble

要約

公益事業会社が直面する主な課題の 1 つは、温室効果ガスの排出を最小限に抑えて効率的な供給を確保することです。
スマート メーターとスマート グリッドの出現は、負荷予測などのプロアクティブな技術を通じて熱エネルギーの最適な供給を実現する上で、前例のない利点を提供します。
この論文では、時系列が天気や休日/休日などの外生変数を埋め込む能力を備えたスカログラムとしてエンコードされるニューラルネットワークに基づく熱需要の予測フレームワークを提案します。
その後、CNN を使用して、熱負荷を多段階で予測します。
最後に、提案されたフレームワークは、SARIMAX や LSTM などの他の最先端の方法と比較されます。
回顧的実験の定量的結果は、提案されたフレームワークが、デンマークから取得した実世界のデータを使用した最先端のベースライン手法よりも一貫して優れていることを示しています。
他のすべての方法と比較して、MAPE で 7.54%、RMSE で 417kW の最小平均誤差が、提案されたフレームワークで達成されます。

要約(オリジナル)

One of the primal challenges faced by utility companies is ensuring efficient supply with minimal greenhouse gas emissions. The advent of smart meters and smart grids provide an unprecedented advantage in realizing an optimised supply of thermal energies through proactive techniques such as load forecasting. In this paper, we propose a forecasting framework for heat demand based on neural networks where the time series are encoded as scalograms equipped with the capacity of embedding exogenous variables such as weather, and holiday/non-holiday. Subsequently, CNNs are utilized to predict the heat load multi-step ahead. Finally, the proposed framework is compared with other state-of-the-art methods, such as SARIMAX and LSTM. The quantitative results from retrospective experiments show that the proposed framework consistently outperforms the state-of-the-art baseline method with real-world data acquired from Denmark. A minimal mean error of 7.54% for MAPE and 417kW for RMSE is achieved with the proposed framework in comparison to all other methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google