論文の概要: A VAE-Based Bayesian Bidirectional LSTM for Renewable Energy Forecasting
- arxiv url: http://arxiv.org/abs/2103.12969v1
- Date: Wed, 24 Mar 2021 03:47:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-25 21:14:07.817109
- Title: A VAE-Based Bayesian Bidirectional LSTM for Renewable Energy Forecasting
- Title（参考訳）: 再生可能エネルギー予測のためのVAEベースのベイズ双方向LSTM
- Authors: Devinder Kaur, Shama Naz Islam, and Md. Apel Mahmud
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.4588028371034407
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The advancement in distributed generation technologies in modern power
systems has led to a widespread integration of renewable power generation at
customer side. However, the intermittent nature of renewable energy pose new
challenges to the network operational planning with underlying uncertainties.
This paper proposes a novel Bayesian probabilistic technique for forecasting
renewable power generation by addressing data and model uncertainties by
integrating bidirectional long short-term memory (BiLSTM) neural networks while
compressing the weight parameters using variational autoencoder (VAE). Existing
Bayesian deep learning methods suffer from high computational complexities as
they require to draw a large number of samples from weight parameters expressed
in the form of probability distributions. The proposed method can deal with
uncertainty present in model and data in a more computationally efficient
manner by reducing the dimensionality of model parameters. The proposed method
is evaluated using pinball loss, reconstruction error, and other forecasting
evaluation metrics. It is inferred from the numerical results that VAE-Bayesian
BiLSTM outperforms other probabilistic deep learning methods in terms of
forecasting accuracy and computational efficiency for different sizes of the
dataset.
- Abstract（参考訳）: 現代の電力システムにおける分散型発電技術の進歩は、顧客側で再生可能発電の広範な統合につながった。
しかし、再生可能エネルギーの断続的な性質は、基盤となる不確実性を伴うネットワーク運用計画に新たな課題をもたらす。
本稿では,両方向長短期記憶(BiLSTM)ニューラルネットワークを統合し,変動オートエンコーダ(VAE)を用いて重みパラメータを圧縮し,データとモデルの不確かさに対処し,再生可能電力発生を予測する新しいベイズ確率的手法を提案する。
既存のベイズ深層学習法は、確率分布の形で表現された重みパラメータから大量のサンプルを引き出す必要があるため、計算の複雑さが高い。
提案手法は,モデルパラメータの次元性を低減することにより,モデルやデータに存在する不確かさをより計算効率良く扱うことができる。
提案手法は,ピンボール損失,再構成誤差,その他の予測評価指標を用いて評価する。
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。
関連論文リスト
- Nonparametric End-to-End Probabilistic Forecasting of Distributed Generation Outputs Considering Missing Data Imputation [12.601429509633636]
本稿では,分散再生可能出力の確率予測のための非パラメトリックなエンドツーエンド手法を提案する。
データ命令の欠如を含むエンドツーエンドのトレーニングプロセスを設計する。
論文 参考訳（メタデータ） (2024-03-31T16:17:59Z) - Online Variational Sequential Monte Carlo [49.97673761305336]
我々は,計算効率が高く正確なモデルパラメータ推定とベイジアン潜在状態推定を提供する変分連続モンテカルロ法(VSMC)を構築した。
オンラインVSMCは、パラメータ推定と粒子提案適応の両方を効率よく、完全にオンザフライで実行することができる。
論文 参考訳（メタデータ） (2023-12-19T21:45:38Z) - Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。
提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。
我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
論文 参考訳（メタデータ） (2022-09-26T17:59:58Z) - A Free Lunch with Influence Functions? Improving Neural Network
Estimates with Concepts from Semiparametric Statistics [41.99023989695363]
ニューラルネットワークや機械学習アルゴリズムの改善に使用される半パラメトリック理論の可能性を探る。
本稿では,単一アーキテクチャを用いてアンサンブルの柔軟性と多様性を求めるニューラルネットワーク手法であるMultiNetを提案する。
論文 参考訳（メタデータ） (2022-02-18T09:35:51Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳（メタデータ） (2021-10-20T06:15:45Z) - Information Theoretic Structured Generative Modeling [13.117829542251188]
構造生成モデル (Structured Generative Model, SGM) と呼ばれる新しい生成モデルフレームワークが提案され, 簡単な最適化が可能となった。
この実装では、無限のガウス混合モデルを学習するために適合した単一白色ノイズ源への正則入力によって駆動される1つのニューラルネットワークを採用している。
予備的な結果は、SGMがデータ効率と分散、従来のガウス混合モデルと変分混合モデル、および敵ネットワークのトレーニングにおいてMINE推定を著しく改善することを示している。
論文 参考訳（メタデータ） (2021-10-12T07:44:18Z) - Neural Networks for Parameter Estimation in Intractable Models [0.0]
本稿では,最大安定過程からパラメータを推定する方法を示す。
モデルシミュレーションのデータを入力として使用し,統計的パラメータを学習するために深層ニューラルネットワークを訓練する。
論文 参考訳（メタデータ） (2021-07-29T21:59:48Z) - Physics-constrained deep neural network method for estimating parameters
in a redox flow battery [68.8204255655161]
バナジウムフローバッテリ(VRFB)のゼロ次元(0D)モデルにおけるパラメータ推定のための物理拘束型ディープニューラルネットワーク(PCDNN)を提案する。
そこで, PCDNN法は, 動作条件のモデルパラメータを推定し, 電圧の0Dモデル予測を改善することができることを示す。
また,PCDNNアプローチでは,トレーニングに使用しない操作条件のパラメータ値を推定する一般化能力が向上することが実証された。
論文 参考訳（メタデータ） (2021-06-21T23:42:58Z) - MINIMALIST: Mutual INformatIon Maximization for Amortized Likelihood
Inference from Sampled Trajectories [61.3299263929289]
シミュレーションベースの推論は、その可能性が実際に計算できない場合でもモデルのパラメータを学習することができる。
あるクラスのメソッドは、異なるパラメータでシミュレートされたデータを使用して、確率とエビデンス比の償却推定器を推定する。
モデルパラメータとシミュレーションデータ間の相互情報の観点から,本手法が定式化可能であることを示す。
論文 参考訳（メタデータ） (2021-06-03T12:59:16Z) - Probabilistic Load Forecasting Based on Adaptive Online Learning [7.373617024876726]
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) - Novel and flexible parameter estimation methods for data-consistent
inversion in mechanistic modeling [0.13635858675752988]
本稿では,レジェクションサンプリング,マルコフ連鎖モンテカルロ,GAN(Generative Adversarial Network)に基づく逆問題(SIP)の解法を提案する。
SIPの限界を克服するため、制約付き最適化に基づいてSIPを再構成し、制約付き最適化問題を解決するための新しいGANを提案する。
論文 参考訳（メタデータ） (2020-09-17T13:13:21Z)
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。