Fugu-MT 論文翻訳(概要): Probabilistic Solar Power Forecasting: Long Short-Term Memory Network vs Simpler Approaches

論文の概要: Probabilistic Solar Power Forecasting: Long Short-Term Memory Network vs Simpler Approaches

arxiv url: http://arxiv.org/abs/2101.08236v1
Date: Wed, 20 Jan 2021 18:13:07 GMT
ステータス: 処理完了
システム内更新日: 2021-03-22 04:29:12.118110
Title: Probabilistic Solar Power Forecasting: Long Short-Term Memory Network vs Simpler Approaches
Title（参考訳）: 確率的太陽エネルギー予測:長期短期記憶ネットワークとより単純なアプローチ
Authors: Vinayak Sharma, Jorge Angel Gonzalez Ordiano, Ralf Mikut, Umit Cali
Abstract要約: この記事では、長期記憶ニューラルネットワークと他のより単純なアプローチの比較を紹介します。この論文は、2014年のGlobal Energy Forecasting Competitionで提供されたオープンソースのデータセットを利用している。
参考スコア（独自算出の注目度）: 0.2867517731896504
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The high penetration of volatile renewable energy sources such as solar make methods for coping with the uncertainty associated with them of paramount importance. Probabilistic forecasts are an example of these methods, as they assist energy planners in their decision-making process by providing them with information about the uncertainty of future power generation. Currently, there is a trend towards the use of deep learning probabilistic forecasting methods. However, the point at which the more complex deep learning methods should be preferred over more simple approaches is not yet clear. Therefore, the current article presents a simple comparison between a long short-term memory neural network and other more simple approaches. The comparison consists of training and comparing models able to provide one-day-ahead probabilistic forecasts for a solar power system. Moreover, the current paper makes use of an open-source dataset provided during the Global Energy Forecasting Competition of 2014 (GEFCom14).
Abstract（参考訳）: 太陽電池などの揮発性再生可能エネルギー源の高度浸透は、それらにかかわる不確実性に対処するための方法である。確率予測はこれらの手法の例であり、将来の発電の不確実性に関する情報を提供することでエネルギープランナーを意思決定プロセスで支援する。現在、深層学習確率予測手法の利用に向けた傾向がある。しかし、より複雑なディープラーニング手法がより単純なアプローチよりも好まれるべき点はまだ明らかではない。そこで、本論文では、長期記憶ニューラルネットワークと他のより単純なアプローチとの簡易な比較を行う。比較は、太陽光発電システムの1日当たりの確率予測を提供する訓練モデルと比較モデルから成り立っている。さらに,本論文では,Global Energy Forecasting Competition of 2014 (GEFCom14)で提供されるオープンソースデータセットを活用している。
全文参考訳へのリンク