論文の概要: Deep generative modeling for probabilistic forecasting in power systems

• arxiv url: http://arxiv.org/abs/2106.09370v1
• Date: Thu, 17 Jun 2021 10:41:57 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-18 16:02:00.842992
• Title: Deep generative modeling for probabilistic forecasting in power systems
• Title（参考訳）: 電力系統の確率予測のための深部生成モデル
• Authors: Jonathan Dumas and Antoine Wehenkel Damien Lanaspeze and Bertrand Corn\'elusse and Antonio Sutera
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 34.70329820717658
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Greater direct electrification of end-use sectors with a higher share of renewables is one of the pillars to power a carbon-neutral society by 2050. This study uses a recent deep learning technique, the normalizing flows, to produce accurate probabilistic forecasts that are crucial for decision-makers to face the new challenges in power systems applications. Through comprehensive empirical evaluations using the open data of the Global Energy Forecasting Competition 2014, we demonstrate that our methodology is competitive with other state-of-the-art deep learning generative models: generative adversarial networks and variational autoencoders. The models producing weather-based wind, solar power, and load scenarios are properly compared both in terms of forecast value, by considering the case study of an energy retailer, and quality using several complementary metrics.
• Abstract（参考訳）: 再生可能エネルギーの割合が高いエンドユースセクターの直接電化は、2050年までに炭素中立社会を駆動する柱の1つである。 本研究では,最近のディープラーニング手法である正規化フローを用いて,電力系統アプリケーションにおける新たな課題に直面する意思決定者にとって極めて重要な,正確な確率的予測を行う。 グローバルエネルギー予測コンペティション2014のオープンデータを用いた包括的実証的評価を通じて,本手法は他の最先端のディープラーニング生成モデル,創発的敵ネットワークと変分的オートエンコーダと競合することを実証する。 風力, 太陽エネルギー, 負荷シナリオを生成するモデルは, エネルギー小売業者のケーススタディと, いくつかの相補的指標を用いて品質を考慮し, 予測値の両面で適切に比較する。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• A Survey of AI-Powered Mini-Grid Solutions for a Sustainable Future in Rural Communities [0.18783379094746652]
  本稿では,統計的手法,機械学習アルゴリズム,ハイブリッドアプローチなど,様々な予測モデルについてレビューする。 Prophet、NeuralProphet、N-BEATSといった公開データセットやツールをモデル実装と検証のために検討している。 この調査は、将来の研究への推奨で締めくくられ、モデル適応と現実世界のアプリケーションへの最適化における課題に対処する。
  論文  参考訳（メタデータ） (2024-07-17T20:23:38Z)
• Deep Generative Methods for Producing Forecast Trajectories in Power Systems [0.0]
  トランスポート・システム・オペレーター(TSO)は、将来の電力系統の機能をシミュレートするための分析を行う必要がある。 これらのシミュレーションは意思決定プロセスの入力として使用される。
  論文  参考訳（メタデータ） (2023-09-26T14:43:01Z)
• 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)
• MATNet: Multi-Level Fusion Transformer-Based Model for Day-Ahead PV Generation Forecasting [0.47518865271427785]
  MATNetはPV発電予測のための新しい自己アテンショントランスフォーマーベースのアーキテクチャである。 これは、AIパラダイムとPV発電に関する以前の物理的知識を組み合わせたハイブリッドアプローチで構成されている。 その結果,提案アーキテクチャは現在の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-17T14:03:09Z)
• 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)
• Machine learning applications for electricity market agent-based models: A systematic literature review [68.8204255655161]
  エージェントベースのシミュレーションは、電気市場のダイナミクスをよりよく理解するために使用される。 エージェントベースのモデルは、機械学習と人工知能を統合する機会を提供する。 我々は、エージェントベースの電気市場モデルに適用された機械学習に焦点を当てた2016年から2021年の間に発行された55の論文をレビューする。
  論文  参考訳（メタデータ） (2022-06-05T14:52:26Z)
• 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)
• Probabilistic Solar Power Forecasting: Long Short-Term Memory Network vs Simpler Approaches [0.2867517731896504]
  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。
  論文  参考訳（メタデータ） (2021-01-20T18:13:07Z)
• Towards a Peer-to-Peer Energy Market: an Overview [68.8204255655161]
  本研究は, 電力市場を中心に, 現状と, プロシューマーによる分散型自己生成能力の増大傾向を比較した。 我々はP2P(Peer-to-Peer)エネルギー市場のための潜在的多層アーキテクチャを導入し、マイクログリッドの一部として、地域生産と地域消費の基本的な側面について議論する。 読者に全体像を示すため、スマートコントラクトやグリッド安定性といったエネルギー取引の関連要素についても精査する。
  論文  参考訳（メタデータ） (2020-03-02T20:32:10Z)

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。