일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |
- 선형 회귀
- 비용 함수
- 회귀
- 합성곱 신경망
- Kaggle
- machine learning
- reinforcement learning
- 정리
- Logistic regression
- CNN
- 시그모이드 함수
- Q-Learning
- iris
- csv
- Logistic
- regression
- data
- 논리 회귀
- 딥 러닝
- RL
- sklearn
- Gradient descent algorithm
- cost function
- 강화학습
- Deep learning
- convolutional neural network
- Sigmoid Function
- 기울기 감소 알고리즘
- Neural network
- 요약
- Today
- Total
컴공돌이의 스터디 블로그
[논문 요약] An effective dimensionality reduction approach for short-term load forecasting 본문
[논문 요약] An effective dimensionality reduction approach for short-term load forecasting
제갈초아 2022. 6. 16. 11:06제목
An effective dimensionality reduction approach for short-term load forecasting
저자
Yang Yang, Zijin Wang, Yuchao Gao, Jinran Wu, Shangrui Zhao, and Zhe Ding
저널
Electric Power Systems Research
게재일
2022년 6월 11일
논문 요약
Y. Yang et al. []은 Variational Mode Decomposition(VMD), Variational Autoencoder(VAE), Long Short-Term Memory(LSTM)을 결합한 하이브리드 전력수요 예측 모델을 제안하였습니다. VMD는 복잡한 전력수요 데이터를 여러개의 하위 시퀀스 데이터로 분해하는데 사용되고, VAE는 분해된 하위 시퀀스 데이터에서 노이즈를 필터링하여 특징을 추출하는데 사용되고, LSTM은 예측에 사용됩니다. VMD와 VAE를 결합한 특징 추출 모듈이 적용됨으로써 복잡한 전력수요 데이터를 보다 정확하게 예측하는 것이 가능해졌습니다. 제안된 VMD-VAE-LSTM 모델은 서로 다른 7개의 모델들과 4개의 평가지표(R Square, MAPE, MAE, RMSE)를 사용하여 비교되었습니다. 실험 결과 제안한 모델의 예측 결과가 다른 비교 모델들보다 실제 전력수요 데이터에 가깝다는 것을 확인하였습니다.
키워드
Deep learning, Decomposition-ensemble method, Feature extraction, Load forecasting
하이라이트
1. A dimensionality reduction approach is proposed.
2. A novel combination method is designed for load forecasting.
3. The proposed approach can improve the accuracy in actual projects.