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
- 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 [61.138475638813354]
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,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
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) - A generalised multi-factor deep learning electricity load forecasting
model for wildfire-prone areas [0.0]
本稿では,山火事シーズンにおける配電網の電力負荷を予測するために,GRUに基づく汎用かつ堅牢なGated Recurrent Unit (GRU) モデルを提案する。
瞬時温度の通常の使用と比較して、平均絶対パーセンテージ誤差(MAPE)は30.73%減少する。
提案手法は平均予測MAPEの約3%を達成し、ビクトリア州に年間8億6600万ドルを節約できる可能性がある。
論文 参考訳(メタデータ) (2023-04-21T00:42:24Z) - 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) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳(メタデータ) (2021-01-31T06:49:33Z) - Physics-Informed Gaussian Process Regression for Probabilistic States
Estimation and Forecasting in Power Grids [67.72249211312723]
電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。
PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。
提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
論文 参考訳(メタデータ) (2020-10-09T14:18:31Z) - 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。
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。