論文の概要: Deep learning-based multi-output quantile forecasting of PV generation

• arxiv url: http://arxiv.org/abs/2106.01271v1
• Date: Wed, 2 Jun 2021 16:28:10 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-03 14:42:08.384106
• Title: Deep learning-based multi-output quantile forecasting of PV generation
• Title（参考訳）: 深層学習に基づくPV生成の多出力量子化予測
• Authors: Jonathan Dumas, Colin Cointe, Xavier Fettweis, Bertrand Corn\'elusse
• Abstract要約: 本稿では,近年のディープラーニングのブレークスルーを生かして,確率的PV予測器を開発する。 Encoder-decoderと名付けられたこの予測ツールは、日中多出力PV量子化予測を計算するために実装されている。 モデルは、非パラメトリックなアプローチである量子回帰を用いて訓練される。
• 参考スコア（独自算出の注目度）: 34.51430520593065
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This paper develops probabilistic PV forecasters by taking advantage of recent breakthroughs in deep learning. It tailored forecasting tool, named encoder-decoder, is implemented to compute intraday multi-output PV quantiles forecasts to efficiently capture the time correlation. The models are trained using quantile regression, a non-parametric approach that assumes no prior knowledge of the probabilistic forecasting distribution. The case study is composed of PV production monitored on-site at the University of Li\`ege (ULi\`ege), Belgium. The weather forecasts from the regional climate model provided by the Laboratory of Climatology are used as inputs of the deep learning models. The forecast quality is quantitatively assessed by the continuous ranked probability and interval scores. The results indicate this architecture improves the forecast quality and is computationally efficient to be incorporated in an intraday decision-making tool for robust optimization.
• Abstract（参考訳）: 本稿では,近年のディープラーニングの進展を利用して,確率的PV予測器を開発する。 encorder-decoderという名前のカスタマイズされた予測ツールは、日内複数出力のpv量子量予測を計算し、時間相関を効率的に捉えるために実装されている。 モデルは、確率予測分布の事前知識を前提としない非パラメトリックなアプローチである量子回帰を用いて訓練される。 ケーススタディはベルギーのリエージュ大学 (ULi\`ege) の現場で測定されたPV生産から成り立っている。 深層学習モデルの入力には,気候学研究室が提供する地域気候モデルからの天気予報が用いられる。 予測品質は連続的なランク付け確率と間隔スコアによって定量的に評価される。 その結果、このアーキテクチャは予測品質を向上し、堅牢な最適化のために日々の意思決定ツールに組み込まれる計算効率が向上した。

関連論文リスト

• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Prediction-Powered Inference [68.97619568620709]
  予測を用いた推論は、実験データセットに機械学習システムからの予測を補足した場合に有効な統計的推論を行うためのフレームワークである。 このフレームワークは、手段、量子、線形およびロジスティック回帰係数などの量に対して証明可能な信頼区間を計算するための単純なアルゴリズムを生成する。 予測による推論により、研究者は機械学習を使用して、より有効な、よりデータ効率の高い結論を導き出すことができる。
  論文  参考訳（メタデータ） (2023-01-23T18:59:28Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• KPF-AE-LSTM: A Deep Probabilistic Model for Net-Load Forecasting in High Solar Scenarios [0.0]
  本稿では, 日頭ネット負荷の確率的予測を15分分解能, 様々な太陽透過レベルで生成する深層学習手法を提案する。 これらのモデルは、既存のベンチマークモデルと比較して、優れた予測性能を提供するとともに、優れたトレーニング効率を維持することが示されている。
  論文  参考訳（メタデータ） (2022-03-05T10:54:54Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• An Interpretable Probabilistic Model for Short-Term Solar Power Forecasting Using Natural Gradient Boosting [0.0]
  本稿では,高精度で信頼性が高く,鋭い予測を生成できる2段階確率予測フレームワークを提案する。 このフレームワークは、ポイント予測と予測間隔(PI)の両方について完全な透明性を提供する。 提案フレームワークの性能と適用性を強調するため,南ドイツにある2つのPV公園の実際のデータを用いている。
  論文  参考訳（メタデータ） (2021-08-05T12:59:38Z)
• 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)
• 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)
• Forecasting Photovoltaic Power Production using a Deep Learning Sequence to Sequence Model with Attention [0.0]
  本稿では,PV発電のエンド・ツー・エンド予測のための教師付きディープラーニングモデルを提案する。 提案モデルは2つの基本概念に基づいており、他のシーケンス関連分野の大幅な性能向上につながった。 その結果、新しい設計は、PV電力予測技術の現在の状態以上で実行可能であることがわかった。
  論文  参考訳（メタデータ） (2020-08-06T17:20:08Z)
• Supervised learning from noisy observations: Combining machine-learning techniques with data assimilation [0.6091702876917281]
  本稿では,予測モデルと固有不確かさを,入射雑音観測と最適に組み合わせる方法について述べる。 得られた予測モデルは、訓練後、計算的に安価であると同時に、極めて優れた予測能力を有することを示す。 本手法は,予測タスクを超えて,確率的予測のための信頼性の高いアンサンブルを生成するとともに,マルチスケールシステムにおける効果的なモデルクロージャを学習するためにも有効であることを示す。
  論文  参考訳（メタデータ） (2020-07-14T22:29:37Z)
• A framework for probabilistic weather forecast post-processing across models and lead times using machine learning [3.1542695050861544]
  我々はNWPモデルと意思決定支援の「理想的な」予測とのギャップを埋める方法について述べる。 本研究では,各数値モデルの誤差プロファイルの学習にQuantile Regression Forestsを使用し,これを経験から得られた確率分布を予測に適用する。 第2に、これらの確率予測を量子平均化(quantile averaging)を用いて組み合わせ、第3に、集合量子化の間で補間して完全な予測分布を生成する。
  論文  参考訳（メタデータ） (2020-05-06T16:46:02Z)

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。