 |
・会員価格 ¥220 |
・一般価格 ¥330 |
|
こちらはBookPark「電気学会 電子図書館(IEEJ Electronic Library)」による文献紹介ページです。 |
|
 |
 |
電気学会会員の方はこちらから一旦ログインのうえ、マイページからお入りください。
会員価格で購入することができます。
|
|
非会員の方はログインの必要はありません。このまま お進みください。 |
|
|
■論文No. |
PE22140,PSE22148 |
■ページ数 |
6ページ |
■発行日
|
2022/08/21 |
■タイトル |
太陽光発電出力予測における欠損値補完手法の検討 |
■タイトル(英語) |
Missing-Data Imputation Method for PV Output Prediction |
■著者名 |
須々木 悠(東京理科大学),小平 大輔(筑波大学),近藤 潤次(東京理科大学) |
■著者名(英語) |
Yu Susuki(Tokyo University of Science),Daisuke Kodaira(University of Tsukuba),Junji Kondoh(Tokyo University of Science) |
■価格 |
会員 ¥220 一般 ¥330 |
■書籍種類 |
研究会(論文単位) |
■グループ名 |
【B】電力・エネルギー部門 電力技術/【B】電力・エネルギー部門 電力系統技術合同研究会 |
■本誌 |
2022年8月24日-2022年8月25日電力技術/電力系統技術合同研究会-2
|
■本誌掲載ページ |
55-60ページ |
■原稿種別 |
日本語 |
■電子版へのリンク |
|
■キーワード |
太陽光発電|発電出力予測|欠損値補完|機械学習|Photovoltaic Generation|Output Prediction|Missing-Data Imputation|Machine Learning |
■要約(日本語) |
電力の需給バランスを保つことは電力系統の周波数を保つために重要だが、太陽光発電の発電出力は気候条件に依存する。そのため発電出力を予測することが必要である。本研究では、複数の機械学習を用いて測定した発電データの欠損値を補完してから予測を行い、各補完手法の発電出力の予測精度を比較した。その結果、RMSEを重視する場合はXGBoostが有効だが、本研究で定義したLossによる評価では平均値補完が優位であることがわかった。 |
■要約(英語) |
Maintaining the balance between supply and demand of electricity is important to keep the frequency of the power system, but the power output of photovoltaic power generation depends on climatic conditions. Thus, it is required to forecast the power output. In this study, we use multiple machine learning methods to supplement missing values in the measured PV generation data before making predictions and compare the prediction accuracy of power output for each imputation method. The results show that XGBoost is useful when RMSE is important, and Mean Imputation has an advantage in Loss defined in this research. |
■版 型 |
A4 |
■PDFファイルサイズ |
3,083Kバイト |
|
|
|