論文の概要: Probabilistic Load Forecasting Based on Adaptive Online Learning

• arxiv url: http://arxiv.org/abs/2011.14721v4
• Date: Thu, 15 Aug 2024 07:37:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-16 19:30:50.024132
• Title: Probabilistic Load Forecasting Based on Adaptive Online Learning
• Title（参考訳）: 適応型オンライン学習に基づく確率的負荷予測
• Authors: Verónica Álvarez, Santiago Mazuelas, José A. Lozano,
• Abstract要約: 本稿では,隠れマルコフモデルの適応型オンライン学習に基づく確率的負荷予測手法を提案する。 本稿では,理論的保証のある学習予測手法を提案し,その性能を複数のシナリオで実験的に評価する。 その結果,提案手法は様々なシナリオにおいて既存手法の性能を大幅に向上させることができることがわかった。
• 参考スコア（独自算出の注目度）: 7.373617024876726
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Load forecasting is crucial for multiple energy management tasks such as scheduling generation capacity, planning supply and demand, and minimizing energy trade costs. Such relevance has increased even more in recent years due to the integration of renewable energies, electric cars, and microgrids. Conventional load forecasting techniques obtain single-value load forecasts by exploiting consumption patterns of past load demand. However, such techniques cannot assess intrinsic uncertainties in load demand, and cannot capture dynamic changes in consumption patterns. To address these problems, this paper presents a method for probabilistic load forecasting based on the adaptive online learning of hidden Markov models. We propose learning and forecasting techniques with theoretical guarantees, and experimentally assess their performance in multiple scenarios. In particular, we develop adaptive online learning techniques that update model parameters recursively, and sequential prediction techniques that obtain probabilistic forecasts using the most recent parameters. The performance of the method is evaluated using multiple datasets corresponding with regions that have different sizes and display assorted time-varying consumption patterns. The results show that the proposed method can significantly improve the performance of existing techniques for a wide range of scenarios.
• Abstract（参考訳）: 負荷予測は、発電能力のスケジューリング、供給と需要の計画、エネルギー取引コストの最小化など、複数のエネルギー管理タスクに不可欠である。 近年、再生可能エネルギー、電気自動車、マイクログリッドの統合により、その関連性はますます高まっている。 従来の負荷予測技術は、過去の負荷需要の消費パターンを利用して、単一値の負荷予測を得る。 しかし、そのような手法は、負荷需要の本質的な不確実性を評価することができず、消費パターンの動的変化を捉えることはできない。 本稿では,隠れマルコフモデルの適応型オンライン学習に基づく確率的負荷予測手法を提案する。 本稿では,理論的保証のある学習予測手法を提案し,その性能を複数のシナリオで実験的に評価する。 特に,モデルパラメータを再帰的に更新する適応型オンライン学習手法と,最新のパラメータを用いて確率的予測を得る逐次予測手法を開発する。 本手法の性能は,異なる大きさの領域に対応する複数のデータセットを用いて評価し,時間変化の異なる消費パターンを表示する。 その結果,提案手法は様々なシナリオにおいて既存手法の性能を大幅に向上させることができることがわかった。

関連論文リスト

• Forecast-PEFT: Parameter-Efficient Fine-Tuning for Pre-trained Motion Forecasting Models [68.23649978697027]
  Forecast-PEFTは、モデルのパラメータの大部分を凍結し、新しく導入されたプロンプトとアダプタの調整に集中する微調整戦略である。 実験の結果,Forecast-PEFTは動作予測タスクにおいて従来のフルチューニング手法よりも優れていた。 Forecast-FTは予測性能をさらに改善し、従来のベースライン法よりも最大9.6%向上した。
  論文  参考訳（メタデータ） (2024-07-28T19:18:59Z)
• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• An Adaptive Approach for Probabilistic Wind Power Forecasting Based on Meta-Learning [7.422947032954223]
  本稿では,オフラインおよびオンライン学習手順を含む,確率的風力予測(WPF)への適応的アプローチについて検討する。 オフライン学習では、メタ学習の内外ループ更新を通じてベース予測モデルを訓練する。 オンライン学習の段階では、ベース予測モデルがオンライン予測に適用され、漸進的な学習技術が組み合わされる。
  論文  参考訳（メタデータ） (2023-08-15T18:28:22Z)
• Masked Multi-Step Probabilistic Forecasting for Short-to-Mid-Term Electricity Demand [7.544120398993689]
  Masked Multi-Step Multi Probabilistic Forecasting (MMMPF)は、ニューラルネットワークモデルをトレーニングするための、新しく一般的なフレームワークである。 過去の時間的情報と未来に関する既知の情報を組み合わせて確率的予測を行う。 MMMPFは、不確実性を捉え、将来のグリッドの確率的計画を可能にするために、望ましい量子化物を生成することもできる。
  論文  参考訳（メタデータ） (2023-02-14T04:09:03Z)
• Adaptive Probabilistic Forecasting of Electricity (Net-)Load [0.0]
  電力負荷予測は電力システム事業者や電力市場参加者にとって必要な能力である。 局所的な発電、需要応答、熱と輸送の電化は、電力負荷の基本的な要因を変えつつある。 我々は点予測よりも確率的と考えるが、実際、電気系統を効率的にかつ確実に運用するには不確実性が必要である。
  論文  参考訳（メタデータ） (2023-01-24T15:56:14Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• A VAE-Based Bayesian Bidirectional LSTM for Renewable Energy Forecasting [0.4588028371034407]
  再生可能エネルギーの断続的な性質は ネットワークの運用計画に 新たな課題をもたらします 本稿では,データとモデルの不確実性に対処し,再生可能発電予測のための新しいベイズ確率的手法を提案する。 VAE-Bayesian BiLSTMは、データセットの異なるサイズに対する予測精度と計算効率において、他の確率的深層学習法よりも優れていると推定された。
  論文  参考訳（メタデータ） (2021-03-24T03:47:20Z)
• 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)
• Energy Forecasting in Smart Grid Systems: A Review of the State-of-the-art Techniques [2.3436632098950456]
  本稿では,スマートグリッド(SG)システムの最先端予測手法について概説する。 統計学,機械学習(ML),深層学習(DL)などの従来の点予測手法について検討した。 ヴィクトリア朝の電力消費とアメリカの電力(AEP)の比較ケーススタディを行った。
  論文  参考訳（メタデータ） (2020-11-25T09:17:07Z)
• Video Prediction via Example Guidance [156.08546987158616]
  ビデオ予測タスクでは、将来のコンテンツとダイナミクスのマルチモーダルな性質を捉えることが大きな課題である。 本研究では,有効な将来状態の予測を効果的に行うための,シンプルで効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-03T14:57:24Z)

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。