論文の概要: Additive stacking for disaggregate electricity demand forecasting
- arxiv url: http://arxiv.org/abs/2005.10092v1
- Date: Wed, 20 May 2020 14:54:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-01 06:18:03.004099
- Title: Additive stacking for disaggregate electricity demand forecasting
- Title（参考訳）: 電力需要分散予測のための添加物積み重ね
- Authors: Christian Capezza, Biagio Palumbo, Yannig Goude, Simon N. Wood and
Matteo Fasiolo
- Abstract要約: 将来のグリッド管理システムは、分散生産と貯蔵資源を協調して管理し、コスト効率の良い方法で、輸送の電化と天候依存生産の高割合による負荷と変動を増大させる。
世帯ごとの消費パターンの不均一性や信号対雑音比の低さから、総需要予測よりも困難である各世帯レベルでの需要予測に焦点をあてる。
特に,需要動態の異なるモデルや「専門家」を開発し,各世帯のデータに適合させる。
そして、アンサンブルが重みを持つ専門家の集合を構築します。
- 参考スコア（独自算出の注目度）: 1.0499611180329804
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Future grid management systems will coordinate distributed production and
storage resources to manage, in a cost effective fashion, the increased load
and variability brought by the electrification of transportation and by a
higher share of weather dependent production. Electricity demand forecasts at a
low level of aggregation will be key inputs for such systems. We focus on
forecasting demand at the individual household level, which is more challenging
than forecasting aggregate demand, due to the lower signal-to-noise ratio and
to the heterogeneity of consumption patterns across households. We propose a
new ensemble method for probabilistic forecasting, which borrows strength
across the households while accommodating their individual idiosyncrasies. In
particular, we develop a set of models or 'experts' which capture different
demand dynamics and we fit each of them to the data from each household. Then
we construct an aggregation of experts where the ensemble weights are estimated
on the whole data set, the main innovation being that we let the weights vary
with the covariates by adopting an additive model structure. In particular, the
proposed aggregation method is an extension of regression stacking (Breiman,
1996) where the mixture weights are modelled using linear combinations of
parametric, smooth or random effects. The methods for building and fitting
additive stacking models are implemented by the gamFactory R package, available
at https://github.com/mfasiolo/gamFactory.
- Abstract（参考訳）: 将来のグリッド管理システムは、分散生産と貯蔵資源を協調して管理し、コスト効率の良い方法で、輸送の電化と天候依存生産の高割合による負荷と変動の増加を管理する。
低アグリゲーションレベルの電力需要予測は、このようなシステムにとって重要な入力となる。
我々は,信号対雑音比の低さと世帯間での消費パターンの不均一性から,総需要予測よりも難しい世帯レベルでの需要予測に焦点をあてた。
個別の慣用性に適応しつつ,世帯間で力を借りる確率的予測のための新しいアンサンブル手法を提案する。
特に、さまざまな需要動態を捉える一連のモデルや'専門家'を開発し、それぞれの家庭のデータに適合させます。
次に,データセット全体からアンサンブル重みを推定する専門家の集まりを構築し,加法モデル構造を採用することにより,重みを共変量と異なるものにするという大きな革新を実現した。
特に, 提案手法は回帰重み付け(Breiman, 1996)の拡張であり, 混合重み付けはパラメトリック, 滑らか, ランダムな効果の線形結合を用いてモデル化される。
GamFactory Rパッケージは、https://github.com/mfasiolo/gamFactoryで入手できる。
関連論文リスト
- Coherent Hierarchical Probabilistic Forecasting of Electric Vehicle Charging Demand [3.7690784039257292]
本稿では,複数の電気自動車充電ステーション(EVCS)の階層的確率的予測問題について検討する。
各充電ステーションに対して、部分入力凸ニューラルネットワーク(PICNN)に基づくディープラーニングモデルを訓練し、日頭充電需要の条件分布を予測する。
微分凸最適化層(DCL)は、分布からサンプリングされたシナリオを再構成し、一貫性のあるシナリオを生成する。
論文 参考訳（メタデータ） (2024-11-01T03:35:04Z) - Learning Augmentation Policies from A Model Zoo for Time Series Forecasting [58.66211334969299]
本稿では,強化学習に基づく学習可能なデータ拡張手法であるAutoTSAugを紹介する。
限界サンプルを学習可能なポリシーで強化することにより、AutoTSAugは予測性能を大幅に改善する。
論文 参考訳（メタデータ） (2024-09-10T07:34:19Z) - Aggregation Weighting of Federated Learning via Generalization Bound
Estimation [65.8630966842025]
フェデレートラーニング(FL)は通常、サンプル比率によって決定される重み付けアプローチを使用して、クライアントモデルパラメータを集約する。
上記の重み付け法を,各局所モデルの一般化境界を考慮した新しい戦略に置き換える。
論文 参考訳（メタデータ） (2023-11-10T08:50:28Z) - Frugal day-ahead forecasting of multiple local electricity loads by
aggregating adaptive models [0.0]
フランスにおける配電網の変電所の日頭電力負荷予測に着目する。
そこで我々は,パラメータの数を削減し,伝達学習を実現するフラジカル変種を開発した。
私たちは、運用アプリケーションにとって重要なモデルの解釈可能性を強調します。
論文 参考訳（メタデータ） (2023-02-16T10:17:19Z) - Dataless Knowledge Fusion by Merging Weights of Language Models [51.8162883997512]
微調整された事前学習言語モデルは、下流のNLPモデルを構築するための主要なパラダイムとなっている。
これは、より優れた単一モデルを生み出すために、個々のモデル間で知識を融合させる障壁を生み出します。
パラメータ空間のモデルをマージするデータレス知識融合法を提案する。
論文 参考訳（メタデータ） (2022-12-19T20:46:43Z) - Additive Covariance Matrix Models: Modelling Regional Electricity Net-Demand in Great Britain [0.0]
我々は、イギリスの電力網を構成する14の地域において、ネット需要の同時分布を予測した。
統合モデリングは、地域ごとの需要変動と地域間の依存関係が、時間的、社会経済的、気象的要因によって異なるという事実によって複雑である。
論文 参考訳（メタデータ） (2022-11-14T15:27:11Z) - A Global Modeling Approach for Load Forecasting in Distribution Networks [10.249757638247429]
個々の負荷に対する個別(またはいわゆるローカル)予測モデルを別々に開発するのは現実的ではない。
本稿では,分散ネットワークにおける大量の負荷の効率的な予測のためのディープラーニングに基づくグローバルモデリング手法を提案する。
論文 参考訳（メタデータ） (2022-04-01T14:51:50Z) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳（メタデータ） (2021-06-22T18:29:58Z) - A Twin Neural Model for Uplift [59.38563723706796]
Upliftは条件付き治療効果モデリングの特定のケースです。
相対リスクのベイズ解釈との関連性を利用して定義した新たな損失関数を提案する。
本提案手法は,シミュレーション設定の最先端と大規模ランダム化実験による実データとの競合性を示す。
論文 参考訳（メタデータ） (2021-05-11T16:02:39Z) - Probabilistic electric load forecasting through Bayesian Mixture Density
Networks [70.50488907591463]
確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。
ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。
後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
論文 参考訳（メタデータ） (2020-12-23T16:21:34Z) - A Data-Driven Machine Learning Approach for Consumer Modeling with Load
Disaggregation [1.6058099298620423]
本稿では,住宅利用者の消費データから導出したデータ駆動セミパラメトリックモデルの汎用クラスを提案する。
第1段階では、固定およびシフト可能なコンポーネントへの負荷の分散をハイブリッドアルゴリズムを用いて達成する。
第2段階では、モデルパラメータはL2ノルム、エプシロン非感受性回帰法を用いて推定される。
論文 参考訳（メタデータ） (2020-11-04T13:36:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。