Fugu-MT 論文翻訳(概要): Neural Network Middle-Term Probabilistic Forecasting of Daily Power Consumption

論文の概要: Neural Network Middle-Term Probabilistic Forecasting of Daily Power Consumption

arxiv url: http://arxiv.org/abs/2006.16388v2
Date: Sun, 2 Jan 2022 17:28:23 GMT
ステータス: 処理完了
システム内更新日: 2022-11-25 04:30:35.261655
Title: Neural Network Middle-Term Probabilistic Forecasting of Daily Power Consumption
Title（参考訳）: ニューラルネットワークによる日常消費電力の長期確率予測
Authors: Michele Azzone and Roberto Baviera
Abstract要約: 本稿では,浅層ニューラルネットワークの自己回帰的特徴を持つ説明変数として,トレンド,季節性,気象条件を取り入れた新しいモデリング手法を提案する。ニューイングランドの日用電力消費に応用した1年間のテストセットの密度予測について, 優れた結果を得た。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Middle-term horizon (months to a year) power consumption prediction is a main challenge in the energy sector, in particular when probabilistic forecasting is considered. We propose a new modelling approach that incorporates trend, seasonality and weather conditions, as explicative variables in a shallow Neural Network with an autoregressive feature. We obtain excellent results for density forecast on the one-year test set applying it to the daily power consumption in New England U.S.A.. The quality of the achieved power consumption probabilistic forecasting has been verified, on the one hand, comparing the results to other standard models for density forecasting and, on the other hand, considering measures that are frequently used in the energy sector as pinball loss and CI backtesting.
Abstract（参考訳）: 中期的地平線(月から1年)の電力消費予測はエネルギーセクターにおいて、特に確率的予測が検討されている場合に、大きな課題である。本稿では,浅層ニューラルネットワークの自己回帰的特徴を持つ説明変数として,トレンド,季節性,気象条件を取り入れた新しいモデリング手法を提案する。ニューイングランドの毎日の電力消費に応用した1年間のテストセットにおける密度予測の優れた結果を得た。達成された電力消費確率予測の質を、密度予測の他の標準モデルと比較し、一方、エネルギーセクターにおいてピンボールロスやCIバックテストとして頻繁に使用される措置について検討した。

関連論文リスト

Efficient mid-term forecasting of hourly electricity load using generalized additive models [0.0]
本稿では,解釈可能なP-スプラインから構築され,自己回帰後処理によって強化された一般化付加モデル(GAM)を用いた新しい予測手法を提案する。提案手法は欧州24カ国の負荷データに基づいて評価される。
論文参考訳（メタデータ） (2024-05-27T11:41:41Z)
Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文参考訳（メタデータ） (2024-02-06T21:28:42Z)
ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文参考訳（メタデータ） (2024-02-02T10:34:13Z)
Electricity Demand Forecasting through Natural Language Processing with Long Short-Term Memory Networks [0.5432724320036955]
この研究は、公共の感情と、輸送と地政学に関連する単語ベクトル表現が、電力需要に時間的連続性をもたらすことを発見した。提案モデルは,信頼区間を狭め,予測分布を真に近づけることで,予測の不確かさを効果的に低減する。
論文参考訳（メタデータ） (2023-09-13T08:28:16Z)
Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文参考訳（メタデータ） (2023-09-12T13:28:06Z)
Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
論文参考訳（メタデータ） (2023-07-14T06:50:02Z)
Denoising diffusion probabilistic models for probabilistic energy forecasting [0.0]
本稿では,拡散確率モデルと呼ばれる有望なディープラーニング生成手法を提案する。これは、最近コンピュータビジョンコミュニティで印象的な結果を実証した潜伏変数モデルのクラスである。我々は,2014年のGlobal Energy Forecasting Competitionのオープンデータを用いたエネルギー予測モデルの最初の実装を提案する。
論文参考訳（メタデータ） (2022-12-06T13:50:17Z)
Probabilistic forecasts of wind power generation in regions with complex topography using deep learning methods: An Arctic case [3.3788638227700734]
本研究は,ディープラーニングを用いた確率的予測に関する概念とアプローチを提示する。深層学習モデルを用いて、ノルウェー北部の風力発電所から日頭発電の確率予測を行う。
論文参考訳（メタデータ） (2022-03-10T15:52:11Z)
Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討今後1～15日にわたって北大西洋-欧州の気象条件を予測した。より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文参考訳（メタデータ） (2022-02-10T11:37:00Z)
Deep generative modeling for probabilistic forecasting in power systems [34.70329820717658]
本研究では,近年のディープラーニング技術である正規化フローを用いて,正確な確率予測を行う。我々の方法論は他の最先端のディープラーニング生成モデルと競合していることを示す。
論文参考訳（メタデータ） (2021-06-17T10:41:57Z)
A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。