論文の概要: Prediction of Energy Consumption for Variable Customer Portfolios Including Aleatoric Uncertainty Estimation

• arxiv url: http://arxiv.org/abs/2110.02166v1
• Date: Fri, 1 Oct 2021 19:18:13 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-06 13:54:41.291729
• Title: Prediction of Energy Consumption for Variable Customer Portfolios Including Aleatoric Uncertainty Estimation
• Title（参考訳）: 不確実性推定を含む可変顧客ポートフォリオのエネルギー消費予測
• Authors: Oliver Mey, Andr\'e Schneider, Olaf Enge-Rosenblatt, Yesnier Bravo, Pit Stenzel
• Abstract要約: 深層ニューラルネットワークを用いて,時間ごとの日頭エネルギー消費予測を計算する手法を提案する。 エネルギー消費値の統計的性質を考慮し、対数正規分布を用いてアレタリック不確かさをモデル化する。 その結果、単一顧客における1日当たりのエネルギー消費の予測は、対数正規分布から引き出されたランダム変数によって表現される。
• 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: Using hourly energy consumption data recorded by smart meters, retailers can estimate the day-ahead energy consumption of their customer portfolio. Deep neural networks are especially suited for this task as a huge amount of historical consumption data is available from smart meter recordings to be used for model training. Probabilistic layers further enable the estimation of the uncertainty of the consumption forecasts. Here, we propose a method to calculate hourly day-ahead energy consumption forecasts which include an estimation of the aleatoric uncertainty. To consider the statistical properties of energy consumption values, the aleatoric uncertainty is modeled using lognormal distributions whose parameters are calculated by deep neural networks. As a result, predictions of the hourly day-ahead energy consumption of single customers are represented by random variables drawn from lognormal distributions obtained as output from the neural network. We further demonstrate, how these random variables corresponding to single customers can be aggregated to probabilistic forecasts of customer portfolios of arbitrary composition.
• Abstract（参考訳）: スマートメーターによって記録された時間毎のエネルギー消費データを使用して、小売業者は顧客ポートフォリオの日毎のエネルギー消費を見積もることができる。 深層ニューラルネットワークはこのタスクに特に適しており、モデルトレーニングに使用するスマートメーター記録から大量の歴史的消費データが利用可能である。 確率層はさらに消費予測の不確実性の推定を可能にする。 そこで本研究では,アレータリック不確実性の推定を含む,時間ごとの日頭エネルギー消費予測を計算する手法を提案する。 エネルギー消費値の統計的性質を考慮し、深層ニューラルネットワークでパラメータを計算した対数正規分布を用いてアレタリック不確かさをモデル化する。 その結果、ニューラルネットワークからの出力として得られる対数正規分布から引き出されたランダム変数により、単一顧客の1日当たりのエネルギー消費の予測を行う。 さらに、単一顧客に対応するこれらのランダム変数が、任意の構成の顧客ポートフォリオの確率的予測にどのように集約できるかを示す。

関連論文リスト

• 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)
• Short-term Load Forecasting with Distributed Long Short-Term Memory [10.99865735713831]
  本稿では,コンセンサスアルゴリズムとLong Short-Term Memory(LSTM)に基づく,完全分散短期負荷予測フレームワークを提案する。 具体的には、完全に分散された学習フレームワークを分散トレーニングに利用し、秘密のプライバシを満たすためにコンセンサス技術を適用する。 ケーススタディでは,提案手法は精度に関する集中化手法と同等の性能を示した。
  論文  参考訳（メタデータ） (2022-08-01T21:40:16Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• An Energy-Based Prior for Generative Saliency [62.79775297611203]
  本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。 生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。 実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
  論文  参考訳（メタデータ） (2022-04-19T10:51:00Z)
• Appliance Level Short-term Load Forecasting via Recurrent Neural Network [6.351541960369854]
  本稿では,各家電の消費電力を効率よく予測するSTLFアルゴリズムを提案する。 提案手法は、ディープラーニングにおける強力なリカレントニューラルネットワーク(RNN)アーキテクチャに基づいている。
  論文  参考訳（メタデータ） (2021-11-23T16:56:37Z)
• DER Forecast using Privacy Preserving Federated Learning [0.0]
  分散機械学習アプローチであるFederated Learningを提案し、IoTノードのネットワークを使用してDER予測を実行する。 提案手法が消費者プライバシ保護の正確な予測に繋がることを示すため,1000 DER を含むシミュレーション研究を考察する。
  論文  参考訳（メタデータ） (2021-07-07T14:25:43Z)
• Investigating Underlying Drivers of Variability in Residential Energy Usage Patterns with Daily Load Shape Clustering of Smart Meter Data [53.51471969978107]
  スマートメータの大規模展開は、日々の負荷パターンの分散を探求する研究の動機となっている。 本稿では,電力消費パターンが変動性を示すメカニズムを明らかにすることを目的とした。
  論文  参考訳（メタデータ） (2021-02-16T16:56:27Z)
• 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)
• Physics-Informed Gaussian Process Regression for Probabilistic States Estimation and Forecasting in Power Grids [67.72249211312723]
  電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。 PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。 提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
  論文  参考訳（メタデータ） (2020-10-09T14:18:31Z)
• Neural Network Middle-Term Probabilistic Forecasting of Daily Power Consumption [0.0]
  本稿では,浅層ニューラルネットワークの自己回帰的特徴を持つ説明変数として,トレンド,季節性,気象条件を取り入れた新しいモデリング手法を提案する。 ニューイングランドの日用電力消費に応用した1年間のテストセットの密度予測について, 優れた結果を得た。
  論文  参考訳（メタデータ） (2020-06-05T13:07:01Z)
• Short-Term Load Forecasting Using AMI Data [0.19573380763700707]
  本稿では,短期負荷予測(textscstlf)のためのMatrix Factorization(textscfmf)を用いた予測手法を提案する。 textscfmfは 消費者のスマートメーターの 履歴データしか利用していない 将来の負荷を予測するために 我々は3つのベンチマークデータセット上でtextscfmf を実験的に評価し、負荷予測の観点から最先端の手法を著しく上回っていることを示す。
  論文  参考訳（メタデータ） (2019-12-28T16:07:52Z)

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。