論文の概要: Concepts for Automated Machine Learning in Smart Grid Applications

• arxiv url: http://arxiv.org/abs/2110.13585v1
• Date: Tue, 26 Oct 2021 11:34:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-27 16:11:01.710752
• Title: Concepts for Automated Machine Learning in Smart Grid Applications
• Title（参考訳）: スマートグリッドアプリケーションにおける自動機械学習の概念
• Authors: Stefan Meisenbacher, Janik Pinter, Tim Martin, Veit Hagenmeyer, Ralf Mikut
• Abstract要約: エネルギーシステムにおける機械学習手法の大規模適用は、専門家の知識の必要性によって損なわれている。 プロセス知識は、問題の形式化やモデルの検証、適用に必要です。 我々は、自動運転車のSAE標準に沿って、予測のための5つのレベルの自動化を定義する。
• 参考スコア（独自算出の注目度）: 0.2624902795082451
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Undoubtedly, the increase of available data and competitive machine learning algorithms has boosted the popularity of data-driven modeling in energy systems. Applications are forecasts for renewable energy generation and energy consumption. Forecasts are elementary for sector coupling, where energy-consuming sectors are interconnected with the power-generating sector to address electricity storage challenges by adding flexibility to the power system. However, the large-scale application of machine learning methods in energy systems is impaired by the need for expert knowledge, which covers machine learning expertise and a profound understanding of the application's process. The process knowledge is required for the problem formalization, as well as the model validation and application. The machine learning skills include the processing steps of i) data pre-processing, ii) feature engineering, extraction, and selection, iii) algorithm selection, iv) hyperparameter optimization, and possibly v) post-processing of the model's output. Tailoring a model for a particular application requires selecting the data, designing various candidate models and organizing the data flow between the processing steps, selecting the most suitable model, and monitoring the model during operation - an iterative and time-consuming procedure. Automated design and operation of machine learning aim to reduce the human effort to address the increasing demand for data-driven models. We define five levels of automation for forecasting in alignment with the SAE standard for autonomous vehicles, where manual design and application reflect Automation level 0.
• Abstract（参考訳）: 間違いなく、利用可能なデータと競合する機械学習アルゴリズムの増加は、エネルギーシステムにおけるデータ駆動モデリングの人気を高めている。 応用は再生可能エネルギーとエネルギー消費の予測である。 エネルギー消費セクターは電力システムに柔軟性を加えることで電力貯蔵の課題に対処するために発電セクターと相互接続される。 しかし、エネルギーシステムにおける機械学習手法の大規模適用は、機械学習の専門知識とアプリケーションプロセスの深い理解を網羅する専門家の知識の必要性に障害がある。 プロセス知識は、問題の形式化やモデルの検証、適用に必要です。 機械学習のスキルは、処理ステップを含む i) データ前処理 二 特色工学、抽出及び選択 iii)アルゴリズムの選択, 四 ハイパーパラメータの最適化及び可能 五 モデルの出力の後処理 特定のアプリケーションにモデルを配置するには、データの選択、さまざまな候補モデルの設計、処理ステップ間のデータフローの整理、最も適切なモデルの選択、運用中のモデル監視、反復的かつ時間を要する手順が必要です。 機械学習の自動設計と運用は、データ駆動モデルの需要増加に対応するための人的努力を減らすことを目的としている。 自動走行車両のSAE標準に沿った予測のための5つの自動化レベルを定義し、手動設計と応用は自動化レベル0を反映する。

関連論文リスト

• Knowledge Graph Modeling-Driven Large Language Model Operating System (LLM OS) for Task Automation in Process Engineering Problem-Solving [0.0]
  本稿では,化学・プロセス産業における複雑な問題の解決を目的としたAI駆動型フレームワークであるプロセスエンジニアリングオペレーションアシスタント(PEOA)を紹介する。 このフレームワークはメタエージェントによって構成されたモジュラーアーキテクチャを採用しており、中央コーディネータとして機能している。 その結果、計算の自動化、プロトタイピングの高速化、産業プロセスに対するAIによる意思決定支援におけるフレームワークの有効性が示された。
  論文  参考訳（メタデータ） (2024-08-23T13:52:47Z)
• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)
• Code Generation for Machine Learning using Model-Driven Engineering and SysML [0.0]
  この研究は、機械学習タスクを形式化する以前の作業を拡張して、実践的なデータ駆動エンジニアリングの実装を促進することを目的としている。 本手法は,天気予報のためのケーススタディにおいて,実現可能性について評価した。 結果は、実装の労力を減らす方法の柔軟性と単純さを示します。
  論文  参考訳（メタデータ） (2023-07-10T15:00:20Z)
• Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
  マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。 本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
  論文  参考訳（メタデータ） (2022-09-05T16:48:34Z)
• Enabling Automated Machine Learning for Model-Driven AI Engineering [60.09869520679979]
  モデル駆動型ソフトウェアエンジニアリングとモデル駆動型AIエンジニアリングを実現するための新しいアプローチを提案する。 特に、私たちはAutomated MLをサポートし、AI集約システムの開発において、AIの深い知識のないソフトウェアエンジニアを支援します。
  論文  参考訳（メタデータ） (2022-03-06T10:12:56Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• Towards CRISP-ML(Q): A Machine Learning Process Model with Quality Assurance Methodology [53.063411515511056]
  本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。 第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。 第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
  論文  参考訳（メタデータ） (2020-03-11T08:25:49Z)

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。