論文の概要: The Powerful Use of AI in the Energy Sector: Intelligent Forecasting
- arxiv url: http://arxiv.org/abs/2111.02026v1
- Date: Wed, 3 Nov 2021 05:30:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-04 21:26:53.243349
- Title: The Powerful Use of AI in the Energy Sector: Intelligent Forecasting
- Title（参考訳）: エネルギー部門におけるAIの強力な活用:インテリジェントな予測
- Authors: Erik Blasch, Haoran Li, Zhihao Ma, Yang Weng
- Abstract要約: 本稿では,エネルギー部門におけるAIシステムの開発,展開,評価を行う手法を提案する。
目標は、エネルギーユーティリティーユーザーに高い信頼性を提供することだ。
- 参考スコア（独自算出の注目度）: 7.747343962518897
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Artificial Intelligence (AI) techniques continue to broaden across
governmental and public sectors, such as power and energy - which serve as
critical infrastructures for most societal operations. However, due to the
requirements of reliability, accountability, and explainability, it is risky to
directly apply AI-based methods to power systems because society cannot afford
cascading failures and large-scale blackouts, which easily cost billions of
dollars. To meet society requirements, this paper proposes a methodology to
develop, deploy, and evaluate AI systems in the energy sector by: (1)
understanding the power system measurements with physics, (2) designing AI
algorithms to forecast the need, (3) developing robust and accountable AI
methods, and (4) creating reliable measures to evaluate the performance of the
AI model. The goal is to provide a high level of confidence to energy utility
users. For illustration purposes, the paper uses power system event forecasting
(PEF) as an example, which carefully analyzes synchrophasor patterns measured
by the Phasor Measurement Units (PMUs). Such a physical understanding leads to
a data-driven framework that reduces the dimensionality with physics and
forecasts the event with high credibility. Specifically, for dimensionality
reduction, machine learning arranges physical information from different
dimensions, resulting inefficient information extraction. For event
forecasting, the supervised learning model fuses the results of different
models to increase the confidence. Finally, comprehensive experiments
demonstrate the high accuracy, efficiency, and reliability as compared to other
state-of-the-art machine learning methods.
- Abstract（参考訳）: 人工知能(AI)技術は、ほとんどの社会活動において重要なインフラとなる電力やエネルギーなど、政府や公共セクターに広まり続けている。
しかし、信頼性、説明責任、説明可能性の要求により、社会がカスケード障害や大規模な停電を許さないため、AIベースの手法を直接電力システムに適用することは危険である。
本稿では,(1)物理による電力システム計測の理解,(2)需要予測のためのAIアルゴリズムの設計,(3)堅牢で説明可能なAI手法の開発,(4)AIモデルの性能評価のための信頼性の高い尺度を作成することにより,エネルギーセクターにおけるAIシステムの開発と展開,評価を行う手法を提案する。
目標は、エネルギーユーティリティのユーザに高いレベルの信頼性を提供することだ。
本稿では,PMU(Phasor Measurement Units)によって測定された同期位相パターンを慎重に解析する,電力系統イベント予測(PEF)を例として用いた。
このような物理的理解は、物理の次元性を減らし、その事象を高い信頼性で予測するデータ駆動フレームワークにつながる。
具体的には、次元削減のために、機械学習は異なる次元から物理情報を配置し、非効率な情報抽出を行う。
イベント予測では、教師付き学習モデルは異なるモデルの結果を融合させ、信頼性を高める。
最後に、包括的な実験は、他の最先端の機械学習手法と比較して高い精度、効率、信頼性を示す。
関連論文リスト
- Present and Future of AI in Renewable Energy Domain : A Comprehensive Survey [0.0]
人工知能(AI)は、様々な産業におけるプロセスを合理化するための重要な手段となっている。
現代の電力システムの再生可能エネルギー(RE)を支援するため、9つのAIベースの戦略がここで特定されている。
この研究は、再生可能エネルギー生成にAI技術を使用すること、再生可能エネルギー予測にAIを活用すること、エネルギーシステムの最適化という3つの主要なトピックについても論じている。
論文 参考訳（メタデータ） (2024-06-22T04:36:09Z) - Computing Power and the Governance of Artificial Intelligence [51.967584623262674]
政府や企業は、AIを管理する手段として計算を活用し始めている。
計算ベースのポリシーと技術は、これらの領域を補助する可能性があるが、実装の準備ができている点で大きなバリエーションがある。
プライバシーや経済的影響、権力の中央集権化といった分野において、ガバナンスの計算方法の素早い、あるいは不十分なアプローチは重大なリスクを伴います。
論文 参考訳（メタデータ） (2024-02-13T21:10:21Z) - Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。
我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。
この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文 参考訳（メタデータ） (2023-12-18T09:05:28Z) - Energy-frugal and Interpretable AI Hardware Design using Learning
Automata [5.514795777097036]
Tsetlin Machineと呼ばれる新しい機械学習アルゴリズムが提案されている。
本稿では,エネルギーフルーガルな人工知能ハードウェア設計手法について検討する。
本研究は, 資源配分が, 頑健かつ解釈可能な学習を達成しつつ, 決定的なエネルギー削減をもたらすことを示す。
論文 参考訳（メタデータ） (2023-05-19T15:11:18Z) - AI Maintenance: A Robustness Perspective [91.28724422822003]
我々は、AIライフサイクルにおけるロバストネスの課題を強調し、自動車のメンテナンスに類似させることで、AIのメンテナンスを動機付ける。
本稿では,ロバストネスリスクの検出と軽減を目的としたAIモデル検査フレームワークを提案する。
我々のAIメンテナンスの提案は、AIライフサイクル全体を通して堅牢性評価、状態追跡、リスクスキャン、モデル硬化、規制を促進する。
論文 参考訳（メタデータ） (2023-01-08T15:02:38Z) - Vision Paper: Causal Inference for Interpretable and Robust Machine
Learning in Mobility Analysis [71.2468615993246]
インテリジェントな輸送システムを構築するには、人工知能とモビリティ分析の複雑な組み合わせが必要である。
ここ数年、高度なディープニューラルネットワークを使った輸送アプリケーションの開発が急速に進んでいる。
このビジョンペーパーは、解釈可能性と堅牢性を必要とするディープラーニングに基づくモビリティ分析における研究課題を強調する。
論文 参考訳（メタデータ） (2022-10-18T17:28:58Z) - AI Assurance using Causal Inference: Application to Public Policy [0.0]
ほとんどのAIアプローチは、"ブラックボックス"としてのみ表現することができ、透明性の欠如に悩まされる。
効果的で堅牢なAIシステムを開発するだけでなく、内部プロセスが説明可能で公平であることを確認することも重要です。
論文 参考訳（メタデータ） (2021-12-01T16:03:06Z) - Statistical Perspectives on Reliability of Artificial Intelligence
Systems [6.284088451820049]
AIシステムの信頼性に関する統計的視点を提供する。
本稿では,AI信頼性研究のためのSMART統計フレームワークを提案する。
我々は、AI信頼性のモデリングと分析における最近の発展について論じる。
論文 参考訳（メタデータ） (2021-11-09T20:00:14Z) - Multi Agent System for Machine Learning Under Uncertainty in Cyber
Physical Manufacturing System [78.60415450507706]
近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。
ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。
本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
論文 参考訳（メタデータ） (2021-07-28T10:28:05Z) - Trustworthy AI [75.99046162669997]
入力データの小さな敵対的変化への脆さ、決定の説明能力、トレーニングデータのバイアスに対処する能力は、最も顕著な制限である。
我々は,AIシステムに対するユーザおよび公的な信頼を高める上での6つの重要な問題に対処するために,信頼に値するAIに関するチュートリアルを提案する。
論文 参考訳（メタデータ） (2020-11-02T20:04:18Z) - AAAI FSS-19: Human-Centered AI: Trustworthiness of AI Models and Data
Proceedings [8.445274192818825]
予測モデルは不確実性を認識し、信頼できる予測をもたらすことが不可欠である。
このシンポジウムの焦点は、データ品質と技術的堅牢性と安全性を改善するAIシステムであった。
広く定義された領域からの提出はまた、説明可能なモデル、人間の信頼、AIの倫理的側面といった要求に対処するアプローチについても論じた。
論文 参考訳（メタデータ） (2020-01-15T15:30:29Z)
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。