論文の概要: Estimating Demand Flexibility Using Siamese LSTM Neural Networks
- arxiv url: http://arxiv.org/abs/2109.01258v1
- Date: Fri, 3 Sep 2021 00:59:27 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-06 13:47:38.837176
- Title: Estimating Demand Flexibility Using Siamese LSTM Neural Networks
- Title（参考訳）: シームズLSTMニューラルネットワークによる需要フレキシビリティの推定
- Authors: Guangchun Ruan, Daniel S. Kirschen, Haiwang Zhong, Qing Xia, Chongqing
Kang
- Abstract要約: 我々は、時間変動弾性という効率的なツールを用いて需要の柔軟性を定量化し、価格や意思決定のダイナミクスによって価値が変化する可能性がある。
最近の実証的な証拠は、需要の柔軟性を研究する際に、遅延応答や価格急騰後の弾性の消失など、いくつかの異常な特徴を浮き彫りにした。
本稿では,最適推定パターンを自動的かつ正確に導出するモデルフリー手法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There is an opportunity in modern power systems to explore the demand
flexibility by incentivizing consumers with dynamic prices. In this paper, we
quantify demand flexibility using an efficient tool called time-varying
elasticity, whose value may change depending on the prices and decision
dynamics. This tool is particularly useful for evaluating the demand response
potential and system reliability. Recent empirical evidences have highlighted
some abnormal features when studying demand flexibility, such as delayed
responses and vanishing elasticities after price spikes. Existing methods fail
to capture these complicated features because they heavily rely on some
predefined (often over-simplified) regression expressions. Instead, this paper
proposes a model-free methodology to automatically and accurately derive the
optimal estimation pattern. We further develop a two-stage estimation process
with Siamese long short-term memory (LSTM) networks. Here, a LSTM network
encodes the price response, while the other network estimates the time-varying
elasticities. In the case study, the proposed framework and models are
validated to achieve higher overall estimation accuracy and better description
for various abnormal features when compared with the state-of-the-art methods.
- Abstract（参考訳）: 現代の電力システムでは、動的価格で消費者にインセンティブを与えることで需要の柔軟性を探求する機会がある。
本稿では,時間変動弾性(time-varying elasticity)と呼ばれる効率的なツールを用いて,需要の柔軟性を定量化する。
このツールは特に需要応答電位とシステムの信頼性を評価するのに有用である。
最近の実証的証拠では、需要の柔軟性を研究する際に、遅延応答や価格上昇後の弾性の消失など、いくつかの異常な特徴が指摘されている。
既存のメソッドは、事前定義された(しばしば単純化された)回帰式に大きく依存するため、これらの複雑な特徴をキャプチャできない。
そこで本研究では,最適推定パターンを自動的かつ正確に導出するモデルフリー手法を提案する。
さらに,Siamese long short-term memory (LSTM) ネットワークを用いた2段階推定法を開発した。
ここで、LSTMネットワークは価格応答を符号化し、他のネットワークは時間変動弾性を推定する。
本事例では, 提案手法とモデルを用いて, 従来手法と比較して, 予測精度の向上と, 各種異常特徴の記述性の向上を図っている。
関連論文リスト
- Application of Deep Learning for Factor Timing in Asset Management [21.212548040046133]
より柔軟なモデルは、目に見えない期間の係数プレミアムのばらつきを説明するのにより良いパフォーマンスを持つ。
ニューラルネットワークのような柔軟なモデルでは、予測に基づく最適な重み付けは不安定である傾向がある。
我々は、過去の最適再バランス方式によるリバランス頻度の傾きが、取引コストの削減に役立つことを検証した。
論文 参考訳（メタデータ） (2024-04-27T21:57:17Z) - XRMDN: An Extended Recurrent Mixture Density Network for Short-Term
Probabilistic Rider Demand Forecasting with High Volatility [16.047461063459846]
本稿では,XRMDN (Extended Recurrent Mixture Density Network) を提案する。
XRMDNは需要動向を順応的に捉え、特に高ボラティリティシナリオにおいて予測精度を大幅に向上させる。
論文 参考訳（メタデータ） (2023-10-15T14:18:42Z) - STEF-DHNet: Spatiotemporal External Factors Based Deep Hybrid Network
for Enhanced Long-Term Taxi Demand Prediction [16.07685260834701]
本稿では,外部特徴を時間情報として統合した需要予測モデルSTEF-DHNetを提案する。
転がり誤差と呼ばれる長期的性能測定値を用いて評価し、再トレーニングをせずに長期間にわたって高い精度を維持する能力を評価する。
その結果,STEF-DHNetは3つの多様なデータセット上で既存の最先端手法よりも優れていた。
論文 参考訳（メタデータ） (2023-06-26T07:37:50Z) - Value function estimation using conditional diffusion models for control [62.27184818047923]
拡散値関数(DVF)と呼ばれる単純なアルゴリズムを提案する。
拡散モデルを用いて環境-ロボット相互作用の連成多段階モデルを学ぶ。
本稿では,DVFを用いて複数のコントローラの状態を効率よく把握する方法を示す。
論文 参考訳（メタデータ） (2023-06-09T18:40:55Z) - Structured Dynamic Pricing: Optimal Regret in a Global Shrinkage Model [50.06663781566795]
消費者の嗜好と価格感が時間とともに変化する動的モデルを考える。
我々は,モデルパラメータの順序を事前に把握している透視者と比較して,収益損失が予想される,後悔による動的価格政策の性能を計測する。
提案した政策の最適性を示すだけでなく,政策立案のためには,利用可能な構造情報を組み込むことが不可欠であることを示す。
論文 参考訳（メタデータ） (2023-03-28T00:23:23Z) - Augmented Bilinear Network for Incremental Multi-Stock Time-Series
Classification [83.23129279407271]
本稿では,有価証券のセットで事前学習したニューラルネットワークで利用可能な知識を効率的に保持する手法を提案する。
本手法では,既存の接続を固定することにより,事前学習したニューラルネットワークに符号化された事前知識を維持する。
この知識は、新しいデータを用いて最適化された一連の拡張接続によって、新しい証券に対して調整される。
論文 参考訳（メタデータ） (2022-07-23T18:54:10Z) - Demand Response Method Considering Multiple Types of Flexible Loads in
Industrial Parks [14.160676017436167]
本稿では,複数のフレキシブル負荷を考慮した新しい需要応答法を提案する。
提案手法は, 負荷モデリングの偏差を低減し, 公園負荷の応答性を向上させるため, 既存の技術よりも大幅に優れている。
論文 参考訳（メタデータ） (2022-05-24T03:18:06Z) - Bilinear Input Normalization for Neural Networks in Financial
Forecasting [101.89872650510074]
本稿では,高頻度金融時系列を扱うディープニューラルネットワークのための新しいデータ駆動正規化手法を提案する。
提案手法は,財務時系列のバイモーダル特性を考慮したものである。
我々の実験は最先端のニューラルネットワークと高周波データを用いて行われ、他の正規化技術よりも大幅に改善された。
論文 参考訳（メタデータ） (2021-09-01T07:52:03Z) - Predicting Inflation with Recurrent Neural Networks [0.0]
本稿では,リカレントニューラルネットワークLSTMを用いてインフレーションの予測を行う。
米国のデータによるエクササイズの結果は、推定されたニューラルネットが、一般的なベンチマークに対して競合するが、傑出したものではないことを示している。
論文 参考訳（メタデータ） (2021-04-08T13:19:26Z) - Anomaly Detection of Time Series with Smoothness-Inducing Sequential
Variational Auto-Encoder [59.69303945834122]
Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。
我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。
合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
論文 参考訳（メタデータ） (2021-02-02T06:15:15Z) - AdaS: Adaptive Scheduling of Stochastic Gradients [50.80697760166045]
我々は、textit "knowledge gain" と textit "mapping condition" の概念を導入し、Adaptive Scheduling (AdaS) と呼ばれる新しいアルゴリズムを提案する。
実験によると、AdaSは派生した指標を用いて、既存の適応学習手法よりも高速な収束と優れた一般化、そして(b)いつトレーニングを中止するかを決定するための検証セットへの依存の欠如を示す。
論文 参考訳（メタデータ） (2020-06-11T16:36:31Z)
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。