論文の概要: Forecasting Photovoltaic Power Production using a Deep Learning Sequence
to Sequence Model with Attention
- arxiv url: http://arxiv.org/abs/2008.02775v2
- Date: Wed, 14 Oct 2020 19:23:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 07:03:41.305856
- Title: Forecasting Photovoltaic Power Production using a Deep Learning Sequence
to Sequence Model with Attention
- Title（参考訳）: 深層学習系列を用いた意図付きシーケンスモデルによる太陽光発電の予測
- Authors: Elizaveta Kharlova, Daniel May, Petr Musilek (University of Alberta)
- Abstract要約: 本稿では,PV発電のエンド・ツー・エンド予測のための教師付きディープラーニングモデルを提案する。
提案モデルは2つの基本概念に基づいており、他のシーケンス関連分野の大幅な性能向上につながった。
その結果、新しい設計は、PV電力予測技術の現在の状態以上で実行可能であることがわかった。
- 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: Rising penetration levels of (residential) photovoltaic (PV) power as
distributed energy resource pose a number of challenges to the electricity
infrastructure. High quality, general tools to provide accurate forecasts of
power production are urgently needed. In this article, we propose a supervised
deep learning model for end-to-end forecasting of PV power production. The
proposed model is based on two seminal concepts that led to significant
performance improvements of deep learning approaches in other sequence-related
fields, but not yet in the area of time series prediction: the sequence to
sequence architecture and attention mechanism as a context generator. The
proposed model leverages numerical weather predictions and high-resolution
historical measurements to forecast a binned probability distribution over the
prognostic time intervals, rather than the expected values of the prognostic
variable. This design offers significant performance improvements compared to
common baseline approaches, such as fully connected neural networks and
one-block long short-term memory architectures. Using normalized root mean
square error based forecast skill score as a performance indicator, the
proposed approach is compared to other models. The results show that the new
design performs at or above the current state of the art of PV power
forecasting.
- Abstract（参考訳）: 分散型エネルギー資源としての(家庭用)太陽光発電(PV)電力の浸透レベルの増加は、電力インフラに多くの課題をもたらす。
電力生産の正確な予測を提供するための高品質で汎用的なツールが緊急に必要である。
本稿では,PV発電のエンドツーエンド予測のための教師付きディープラーニングモデルを提案する。
提案されたモデルは、他のシーケンス関連分野におけるディープラーニングアプローチのパフォーマンス向上に繋がる2つの独創的な概念に基づいているが、時系列予測の分野ではまだ改善されていない。
提案モデルでは,予測変数の予測値ではなく,数値天気予報と高分解能歴史的測定を用いて,予測時間間隔上の双対確率分布を推定する。
この設計は、完全に接続されたニューラルネットワークや1ブロックの短期的メモリアーキテクチャなど、一般的なベースラインアプローチと比較して大幅にパフォーマンスが向上する。
正規化ルート平均二乗誤差に基づく予測スキルスコアを性能指標として,提案手法を他のモデルと比較した。
その結果、新しい設計は、PV電力予測技術の現在の状態以上で実行可能であることがわかった。
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) - Sequence-to-Sequence Forecasting-aided State Estimation for Power
Systems [0.0]
本稿では,マルチステップの電力系統状態推定をリアルタイムに正確に予測するエンドツーエンドのディープラーニングフレームワークを提案する。
双方向ゲートリカレントユニット(BiGRU)をモデルに組み込んで高い予測精度を実現する。
論文 参考訳（メタデータ） (2023-05-22T16:46:37Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳（メタデータ） (2023-01-05T13:59:29Z) - An Energy-Based Prior for Generative Saliency [62.79775297611203]
本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。
生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。
実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
論文 参考訳（メタデータ） (2022-04-19T10:51:00Z) - Random vector functional link neural network based ensemble deep
learning for short-term load forecasting [14.184042046855884]
本稿では,電力負荷予測のための新しいアンサンブルディープランダム関数リンク(edRVFL)を提案する。
隠されたレイヤは、深い表現学習を強制するために積み上げられます。
モデルは各層の出力をアンサンブルすることで予測を生成する。
論文 参考訳（メタデータ） (2021-07-30T01:20:48Z) - Deep learning-based multi-output quantile forecasting of PV generation [34.51430520593065]
本稿では,近年のディープラーニングのブレークスルーを生かして,確率的PV予測器を開発する。
Encoder-decoderと名付けられたこの予測ツールは、日中多出力PV量子化予測を計算するために実装されている。
モデルは、非パラメトリックなアプローチである量子回帰を用いて訓練される。
論文 参考訳（メタデータ） (2021-06-02T16:28:10Z) - 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) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - Deep Distributional Time Series Models and the Probabilistic Forecasting
of Intraday Electricity Prices [0.0]
本稿では,深部時系列確率モデルを構築するための2つのアプローチを提案する。
1つ目は、ESNの出力層が、追加の正規化の前に乱れと縮小がある点である。
第二のアプローチは、特徴空間上の深いコプラ過程であるガウス乱れを伴うESNの暗黙のコプラを用いる。
論文 参考訳（メタデータ） (2020-10-05T08:02:29Z) - An Integrated Multi-Time-Scale Modeling for Solar Irradiance Forecasting
Using Deep Learning [1.52292571922932]
太陽エネルギーの非定常特性のため、短期的な太陽照度予測は困難である。
日内太陽光のマルチスケール予測のための統一アーキテクチャを提案する。
提案手法は,全試験場の平均RMSEを71.5%削減する。
論文 参考訳（メタデータ） (2019-05-07T14:40:32Z)
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。