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。

関連論文リスト

• Improving Model Chain Approaches for Probabilistic Solar Energy Forecasting through Post-processing and Machine Learning [0.0]
  我々は,グローバル水平照度と太陽光発電のアンサンブル後予測のための統計的および機械学習手法を開発した。 その結果, 後処理が発電予測を大幅に改善すること, 特に後処理が発電予測に応用されることが示唆された。
  論文  参考訳（メタデータ） (2024-06-06T18:08:50Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• 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)
• ZigZag: Universal Sampling-free Uncertainty Estimation Through Two-Step Inference [54.17205151960878]
  汎用的でデプロイが容易なサンプリング不要のアプローチを導入します。 我々は,最先端手法と同等の信頼性のある不確実性推定を,計算コストを著しく低減した形で生成する。
  論文  参考訳（メタデータ） (2022-11-21T13:23:09Z)
• Data-Driven Stochastic AC-OPF using Gaussian Processes [54.94701604030199]
  大量の再生可能エネルギーを電力網に統合することは、おそらく気候変動を遅らせる電力網からの二酸化炭素排出量を減らす最も有効な方法だろう。 本稿では、不確実な入力を組み込むことのできる交流電力流方程式に基づく代替データ駆動方式を提案する。 GPアプローチは、このギャップを交流電力流方程式に閉じるために、単純だが制約のないデータ駆動アプローチを学ぶ。
  論文  参考訳（メタデータ） (2022-07-21T23:02:35Z)
• 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)
• 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)
• 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)
• 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)
• 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。