論文の概要: Electricity Consumption Forecasting for Out-of-distribution Time-of-Use Tariffs

• arxiv url: http://arxiv.org/abs/2202.05517v1
• Date: Fri, 11 Feb 2022 09:13:55 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-14 15:12:08.242405
• Title: Electricity Consumption Forecasting for Out-of-distribution Time-of-Use Tariffs
• Title（参考訳）: 配電時間関税の電力消費予測
• Authors: Jyoti Narwariya, Chetan Verma, Pankaj Malhotra, Lovekesh Vig, Easwara Subramanian, Sanjay Bhat
• Abstract要約: 電気市場では、小売業者やブローカーは、消費者に関税プロファイルを割り当てることで利益を最大化したいと考えている。 我々は、最適な関税プロファイル割り当てによってブローカー全体の利益を最大化する、欲張りのソリューションを検討する。 このインターンでは、すべての関税プロファイルに対して、各ユーザの電力消費量を予測する必要がある。
• 参考スコア（独自算出の注目度）: 14.524613608854242
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In electricity markets, retailers or brokers want to maximize profits by allocating tariff profiles to end consumers. One of the objectives of such demand response management is to incentivize the consumers to adjust their consumption so that the overall electricity procurement in the wholesale markets is minimized, e.g. it is desirable that consumers consume less during peak hours when cost of procurement for brokers from wholesale markets are high. We consider a greedy solution to maximize the overall profit for brokers by optimal tariff profile allocation. This in-turn requires forecasting electricity consumption for each user for all tariff profiles. This forecasting problem is challenging compared to standard forecasting problems due to following reasons: i. the number of possible combinations of hourly tariffs is high and retailers may not have considered all combinations in the past resulting in a biased set of tariff profiles tried in the past, ii. the profiles allocated in the past to each user is typically based on certain policy. These reasons violate the standard i.i.d. assumptions, as there is a need to evaluate new tariff profiles on existing customers and historical data is biased by the policies used in the past for tariff allocation. In this work, we consider several scenarios for forecasting and optimization under these conditions. We leverage the underlying structure of how consumers respond to variable tariff rates by comparing tariffs across hours and shifting loads, and propose suitable inductive biases in the design of deep neural network based architectures for forecasting under such scenarios. More specifically, we leverage attention mechanisms and permutation equivariant networks that allow desirable processing of tariff profiles to learn tariff representations that are insensitive to the biases in the data and still representative of the task.
• Abstract（参考訳）: 電気市場では、小売業者やブローカーは消費者に関税プロファイルを割り当てることで利益を最大化したいと考えている。 このような需要対応管理の目的の1つは、通販市場からのブローカーの調達コストが高い場合、ピーク時の消費が減少するなど、通販市場全体の電力調達を最小限に抑えるように消費を調整するよう消費者にインセンティブを与えることである。 我々は、最適関税プロファイル割り当てによるブローカー全体の利益を最大化するための欲望のある解決策を考える。 このインターンでは、すべての関税プロファイルに対して、各ユーザの電力消費量を予測する必要がある。 この予測問題は、以下の理由により、標準的な予測問題と比較して困難である。 時限関税の組み合わせの数は高く 小売業者は過去の全ての組み合わせを 考慮していないかもしれない 過去の関税プロファイルの 偏見がつきものだ ユーザーごとに過去に割り当てられたプロファイルは通常、特定のポリシーに基づいています。 これらの理由は、既存の顧客に対する新しい関税プロファイルの評価が必要であり、過去のデータは関税配分のために過去に使われた政策によって偏っているため、標準のi.i.d.仮定に違反している。 本研究では,これらの条件下で予測と最適化を行うシナリオをいくつか検討する。 我々は,時間にわたる関税の比較と負荷のシフトによって,消費者が可変関税率にどう反応するかという基礎構造を活用し,そのようなシナリオで予測するためのディープニューラルネットワークアーキテクチャの設計における適切な帰納的バイアスを提案する。 より具体的には、関税プロファイルの望ましい処理を可能とし、データのバイアスに敏感な関税表現を学習し、なおもタスクを代表する、注意機構と置換同変ネットワークを活用する。

関連論文リスト

• F-FOMAML: GNN-Enhanced Meta-Learning for Peak Period Demand Forecasting with Proxy Data [65.6499834212641]
  本稿では,需要予測をメタラーニング問題として定式化し,F-FOMAMLアルゴリズムを開発した。 タスク固有のメタデータを通してドメインの類似性を考慮することにより、トレーニングタスクの数が増加するにつれて過剰なリスクが減少する一般化を改善した。 従来の最先端モデルと比較して,本手法では需要予測精度が著しく向上し,内部自動販売機データセットでは平均絶対誤差が26.24%,JD.comデータセットでは1.04%削減された。
  論文  参考訳（メタデータ） (2024-06-23T21:28:50Z)
• Retail Demand Forecasting: A Comparative Study for Multivariate Time Series [0.0]
  本研究では,CPI(Consumer Price Index),ICS(Index of Consumer Sentiment),失業率といった,マクロ経済変数による顧客需要の時系列データを統合する。 小売需要を正確に予測するために,様々な回帰モデルと機械学習モデルを開発し,比較する。
  論文  参考訳（メタデータ） (2023-08-23T06:14:02Z)
• Equitable Time-Varying Pricing Tariff Design: A Joint Learning and Optimization Approach [0.0]
  時変価格の関税は、消費者に電力需要のシフトとコスト削減を動機付けるが、応答能力に制限のある消費者のエネルギー負担を増大させる可能性がある。 本稿では,適切な時間変動関税を設計するための共同学習に基づく識別と最適化手法を提案する。
  論文  参考訳（メタデータ） (2023-07-26T20:14:23Z)
• 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)
• PerAda: Parameter-Efficient Federated Learning Personalization with Generalization Guarantees [95.87604231887353]
  既存のpFL手法は高い通信コストと計算コストをもたらすか、テスト通信に弱い。 PerAdaではパラメータ蒸留とpFL pFLが特に試験時間分布において優れた性能を示す。 私たちのコードはhttps://github.com/NV/PerAda.comで公開されています。
  論文  参考訳（メタデータ） (2023-02-13T19:00:37Z)
• Debiased Fine-Tuning for Vision-language Models by Prompt Regularization [50.41984119504716]
  本稿では,Prompt Regularization(ProReg)と呼ばれる下流タスクにおける大規模視覚事前訓練モデルの微調整のための新しいパラダイムを提案する。 ProRegは、事前訓練されたモデルに微調整を正規化するよう促すことで予測を使用する。 本稿では,従来の微調整,ゼロショットプロンプト,プロンプトチューニング,その他の最先端手法と比較して,ProRegの性能が一貫して高いことを示す。
  論文  参考訳（メタデータ） (2023-01-29T11:53:55Z)
• 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)
• Approaching sales forecasting using recurrent neural networks and transformers [57.43518732385863]
  深層学習技術を用いて,日・店・店レベルでの顧客販売予測問題に対処する3つの方法を開発した。 実験結果から,データ前処理を最小限に抑えた単純なシーケンスアーキテクチャを用いて,優れた性能を実現することができることを示す。 提案した解は約0.54の RMSLE を達成し、Kaggle コンペティションで提案された問題に対する他のより具体的な解と競合する。
  論文  参考訳（メタデータ） (2022-04-16T12:03:52Z)
• Regulatory Instruments for Fair Personalized Pricing [34.986747852934634]
  規制制約下での利益最大化独占の最適価格戦略と、消費者余剰・生産余剰・社会福祉への影響について検討する。 我々の発見と洞察は、デジタル時代における独占化ビジネスの規制政策設計に光を当てた。
  論文  参考訳（メタデータ） (2022-02-09T03:07:08Z)
• Prediction of Energy Consumption for Variable Customer Portfolios Including Aleatoric Uncertainty Estimation [0.0]
  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。
  論文  参考訳（メタデータ） (2021-10-01T19:18:13Z)
• Fairness, Welfare, and Equity in Personalized Pricing [88.9134799076718]
  顧客特性に基づくパーソナライズ価格における公平性、福祉、株式の配慮の相互作用について検討する。 選択ワクチンの価格補助金と、マイクロクレジットの下流結果に対するパーソナライズされた利率の影響の2つの設定において、パーソナライズされた価格の潜在的利点を示す。
  論文  参考訳（メタデータ） (2020-12-21T01:01:56Z)

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。