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

関連論文リスト

• An Energy-Based Prior for Generative Saliency [62.79775297611203]
  そこで我々は, 潜伏変数が情報的エネルギーに基づく先行を追従する, 生成相性予測のための新しいエネルギーベース先行法を提案する。 塩分濃度生成器とエネルギーベースの前駆体は、マルコフ連鎖モンテカルロによる最大推定を通じて共同で訓練される。 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)
• 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)
• Masked prediction tasks: a parameter identifiability view [49.533046139235466]
  マスク付きトークンの予測に広く用いられている自己教師型学習手法に着目する。 いくつかの予測タスクは識別可能性をもたらすが、他のタスクはそうではない。
  論文  参考訳（メタデータ） (2022-02-18T17:09:32Z)
• Validation Methods for Energy Time Series Scenarios from Deep Generative Models [55.41644538483948]
  一般的なシナリオ生成アプローチでは、データ分散に関する前提なしにシナリオを生成するディープ生成モデル(DGM)を使用する。 エネルギーシナリオ生成文献における現在使われている検証手法の批判的評価を行う。 過去のデータと生成されたデータの両方に4つの検証手法を適用し、検証結果の解釈と、一般的な誤り、落とし穴、検証方法の限界について議論する。
  論文  参考訳（メタデータ） (2021-10-27T14:14:25Z)
• Short-term probabilistic photovoltaic power forecast based on deep convolutional long short-term memory network and kernel density estimation [1.8899300124593645]
  本稿では,Deep Convolutional long short-term memory (ConvLSTM) ネットワークとカーネル密度推定 (KDE) を用いた短期太陽光発電電力予測手法を提案する。 実際の太陽光発電所における実験により,提案手法の有効性が検証された。
  論文  参考訳（メタデータ） (2021-07-03T04:49:24Z)
• 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)
• Probabilistic Gradient Boosting Machines for Large-Scale Probabilistic Regression [51.770998056563094]
  PGBM(Probabilistic Gradient Boosting Machines)は、確率的予測を生成する手法である。 既存の最先端手法と比較してPGBMの利点を実証的に示す。
  論文  参考訳（メタデータ） (2021-06-03T08:32:13Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• A review on physical and data-driven based nowcasting methods using sky images [0.0]
  本論文では,天空画像を用いた近日観測法として知られる短時間太陽予報手法について概説する。 また、どのスカイ画像機能がnowcastingに重要であるかを報告し、議論する。
  論文  参考訳（メタデータ） (2021-04-28T10:20:52Z)
• 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)
• Probabilistic Load Forecasting Based on Adaptive Online Learning [3.6704226968275258]
  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。
  論文  参考訳（メタデータ） (2020-11-30T12:02:26Z)

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。