論文の概要: Principal Component Density Estimation for Scenario Generation Using Normalizing Flows

• arxiv url: http://arxiv.org/abs/2104.10410v1
• Date: Wed, 21 Apr 2021 08:42:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-22 14:21:32.049211
• Title: Principal Component Density Estimation for Scenario Generation Using Normalizing Flows
• Title（参考訳）: 正規化フローを用いたシナリオ生成の主成分密度推定
• Authors: Eike Cramer, Alexander Mitsos, Raul Tempone, Manuel Dahmen
• Abstract要約: 低次元空間における正規化フローを設定する線形主成分分析(PCA)に基づく次元還元フロー層を提案する。 当社は、2013年から2015年までのドイツにおけるPVおよび風力発電のデータと負荷需要に関する主成分フロー(PCF)を訓練しています。
• 参考スコア（独自算出の注目度）: 62.997667081978825
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Neural networks-based learning of the distribution of non-dispatchable renewable electricity generation from sources such as photovoltaics (PV) and wind as well as load demands has recently gained attention. Normalizing flow density models have performed particularly well in this task due to the training through direct log-likelihood maximization. However, research from the field of image generation has shown that standard normalizing flows can only learn smeared-out versions of manifold distributions and can result in the generation of noisy data. To avoid the generation of time series data with unrealistic noise, we propose a dimensionality-reducing flow layer based on the linear principal component analysis (PCA) that sets up the normalizing flow in a lower-dimensional space. We train the resulting principal component flow (PCF) on data of PV and wind power generation as well as load demand in Germany in the years 2013 to 2015. The results of this investigation show that the PCF preserves critical features of the original distributions, such as the probability density and frequency behavior of the time series. The application of the PCF is, however, not limited to renewable power generation but rather extends to any data set, time series, or otherwise, which can be efficiently reduced using PCA.
• Abstract（参考訳）: ニューラルネットワークを用いた太陽光発電(PV)や風力,負荷需要などの源泉からの非分散型再生可能発電の分布の学習が近年注目されている。 フロー密度モデルの正規化は,直接対数類似度最大化によるトレーニングにより,特に良好に機能している。 しかし、画像生成の分野での研究により、標準正規化フローは、多様体分布のスミアーズアウトバージョンしか学習できず、ノイズデータの生成につながることが示されている。 非現実的なノイズを伴う時系列データの生成を避けるため,低次元空間における正規化フローを設定する線形主成分分析(PCA)に基づく次元低減フロー層を提案する。 2013年から2015年にかけては、PVと風力発電のデータとドイツにおける負荷需要に基づいて、結果の主成分フロー(PCF)を訓練する。 本研究の結果から,PCFは時系列の確率密度や周波数挙動など,元の分布の重要な特徴を保っていることが明らかとなった。 しかし、pcfの適用は再生可能発電に限らず、任意のデータセット、時系列、その他に拡張され、pcaを使用して効率的に削減することができる。

関連論文リスト

• A Flow-Based Model for Conditional and Probabilistic Electricity Consumption Profile Generation and Prediction [3.121498988556879]
  本稿では,FCP Flow(Full Convolutional Profile Flow)と呼ばれる新しいフローベース生成モデルを提案する。 FCPFlowは条件付きおよび無条件のRLP生成と確率的負荷予測のために設計されている。
  論文  参考訳（メタデータ） (2024-05-03T15:27:51Z)
• Designing losses for data-free training of normalizing flows on Boltzmann distributions [0.0]
  Kullback-Leibler の発散に基づく標準損失の特性を解析した。 本稿では,これらの問題を緩和するための戦略を提案する。 トレーニングデータがない場合には、不完全な事前学習モデルをさらに最適化できる、いくつかのタスクを示す。
  論文  参考訳（メタデータ） (2023-01-13T10:56:13Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• ManiFlow: Implicitly Representing Manifolds with Normalizing Flows [145.9820993054072]
  正規化フロー(NF)は、複雑な実世界のデータ分布を正確にモデル化することが示されているフレキシブルな明示的な生成モデルである。 摂動分布から標本を与えられた多様体上の最も可能性の高い点を復元する最適化目的を提案する。 最後に、NFsの明示的な性質、すなわち、ログのような勾配とログのような勾配から抽出された表面正規化を利用する3次元点雲に焦点を当てる。
  論文  参考訳（メタデータ） (2022-08-18T16:07:59Z)
• Matching Normalizing Flows and Probability Paths on Manifolds [57.95251557443005]
  連続正規化フロー (Continuous Normalizing Flows, CNFs) は、常微分方程式(ODE)を解くことによって、先行分布をモデル分布に変換する生成モデルである。 我々は,CNFが生成する確率密度パスと目標確率密度パスとの間に生じる新たな分岐系であるPPDを最小化して,CNFを訓練することを提案する。 PPDの最小化によって得られたCNFは、既存の低次元多様体のベンチマークにおいて、その可能性とサンプル品質が得られることを示す。
  論文  参考訳（メタデータ） (2022-07-11T08:50:19Z)
• Nonlinear Isometric Manifold Learning for Injective Normalizing Flows [58.720142291102135]
  アイソメトリーを用いて、多様体学習と密度推定を分離する。 また、確率分布を歪ませない明示的な逆数を持つ埋め込みを設計するためにオートエンコーダを用いる。
  論文  参考訳（メタデータ） (2022-03-08T08:57:43Z)
• Neural Network-based Power Flow Model [0.0]
  ニューラルネットワーク(NN)モデルは、過去の電力システムデータを用いて、電力フロー結果を予測するために訓練される。 提案したNNベース電力フローモデルでは,直流電力フローモデルよりも高速かつ高精度に解を見つけることができる。
  論文  参考訳（メタデータ） (2021-12-15T19:05:53Z)
• Learning Likelihoods with Conditional Normalizing Flows [54.60456010771409]
  条件正規化フロー(CNF)はサンプリングと推論において効率的である。 出力空間写像に対する基底密度が入力 x 上で条件づけられた CNF について、条件密度 p(y|x) をモデル化する。
  論文  参考訳（メタデータ） (2019-11-29T19:17:58Z)

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。