論文の概要: KPF-AE-LSTM: A Deep Probabilistic Model for Net-Load Forecasting in High Solar Scenarios

• arxiv url: http://arxiv.org/abs/2203.04401v1
• Date: Sat, 5 Mar 2022 10:54:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-10 16:59:16.662941
• Title: KPF-AE-LSTM: A Deep Probabilistic Model for Net-Load Forecasting in High Solar Scenarios
• Title（参考訳）: KPF-AE-LSTM:高太陽シナリオにおけるネットロード予測の深い確率モデル
• Authors: Deepthi Sen, Indrasis Chakraborty, Soumya Kundu, Andrew P. Reiman, Ian Beil, Andy Eiden
• Abstract要約: 本稿では, 日頭ネット負荷の確率的予測を15分分解能, 様々な太陽透過レベルで生成する深層学習手法を提案する。 これらのモデルは、既存のベンチマークモデルと比較して、優れた予測性能を提供するとともに、優れたトレーニング効率を維持することが示されている。
• 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: With the expected rise in behind-the-meter solar penetration within the distribution networks, there is a need to develop time-series forecasting methods that can reliably predict the net-load, accurately quantifying its uncertainty and variability. This paper presents a deep learning method to generate probabilistic forecasts of day-ahead net-load at 15-min resolution, at various solar penetration levels. Our proposed deep-learning based architecture utilizes the dimensional reduction, from a higher-dimensional input to a lower-dimensional latent space, via a convolutional Autoencoder (AE). The extracted features from AE are then utilized to generate probability distributions across the latent space, by passing the features through a kernel-embedded Perron-Frobenius (kPF) operator. Finally, long short-term memory (LSTM) layers are used to synthesize time-series probability distributions of the forecasted net-load, from the latent space distributions. The models are shown to deliver superior forecast performance (as per several metrics), as well as maintain superior training efficiency, in comparison to existing benchmark models. Detailed analysis is carried out to evaluate the model performance across various solar penetration levels (up to 50\%), prediction horizons (e.g., 15\,min and 24\,hr ahead), and aggregation level of houses, as well as its robustness against missing measurements.
• Abstract（参考訳）: 配電網内における太陽透過率の上昇が予想されるため、ネット負荷を確実に予測し、その不確実性と変動を正確に定量化できる時系列予測手法の開発が必要となる。 本稿では, 日頭ネット負荷の確率的予測を15分分解能, 様々な太陽透過レベルで生成する深層学習手法を提案する。 提案したディープラーニングアーキテクチャは,高次元入力から低次元潜在空間へ,畳み込みオートエンコーダ(AE)を介して,次元の削減を利用する。 AEから抽出した特徴は、カーネル埋め込みのPerron-Frobenius (kPF)演算子を通して特徴を渡すことにより、潜在空間全体にわたる確率分布を生成する。 最後に、Long Short-term memory (LSTM) レイヤを用いて、潜在空間分布から予測されたネット負荷の時系列確率分布を合成する。 これらのモデルは、既存のベンチマークモデルと比較して優れたトレーニング効率を維持するとともに、優れた予測パフォーマンス(いくつかの指標による)を提供することが示されている。 様々な太陽浸透レベル(最大50\%)、予測地平線(例えば15\,min、24\,hr前方)、住宅の集合レベル、および欠測測定値に対するロバスト性を評価するために、詳細な分析を行った。

関連論文リスト

• Hierarchical Forecasting at Scale [55.658563862299495]
  既存の階層予測技術は、時系列の数が増加するとスケールが低下する。 我々は,1つのボトムレベル予測モデルを用いて,数百万の時系列のコヒーレントな予測を学習することを提案する。 欧州の大規模なeコマースプラットフォームであるbolの既存の予測モデルにおいて、スパース階層的損失関数を実装した。
  論文  参考訳（メタデータ） (2023-10-19T15:06:31Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Probabilistic Forecasting with Coherent Aggregation [42.215158938066054]
  MQForecasterニューラルネットワークアーキテクチャを構築によりコヒーレンスを実現するための新しい深いガウス因子予測モデルで拡張する。 最先端のコヒーレント予測手法と比較して、DeepCoFactorはスケールしたCRPS予測精度を大幅に改善し、平均利得は15%である。
  論文  参考訳（メタデータ） (2023-07-19T07:31:37Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Uncertainty-Aware Learning for Improvements in Image Quality of the Canada-France-Hawaii Telescope [9.963669010212012]
  我々は、現状の機械学習手法を利用して、環境条件や観測操作パラメータから観測画像の品質(IQ)を予測する。 我々は,CFHT の広視野カメラ MegaCam において,データ特徴と観測された IQ 間の複素依存の高精度かつ解釈可能なモデルを開発した。
  論文  参考訳（メタデータ） (2021-06-30T18:10:20Z)
• Deep learning-based multi-output quantile forecasting of PV generation [34.51430520593065]
  本稿では,近年のディープラーニングのブレークスルーを生かして,確率的PV予測器を開発する。 Encoder-decoderと名付けられたこの予測ツールは、日中多出力PV量子化予測を計算するために実装されている。 モデルは、非パラメトリックなアプローチである量子回帰を用いて訓練される。
  論文  参考訳（メタデータ） (2021-06-02T16:28:10Z)
• 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)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)
• Energy Forecasting in Smart Grid Systems: A Review of the State-of-the-art Techniques [2.3436632098950456]
  本稿では,スマートグリッド(SG)システムの最先端予測手法について概説する。 統計学,機械学習(ML),深層学習(DL)などの従来の点予測手法について検討した。 ヴィクトリア朝の電力消費とアメリカの電力(AEP)の比較ケーススタディを行った。
  論文  参考訳（メタデータ） (2020-11-25T09:17:07Z)
• An Integrated Multi-Time-Scale Modeling for Solar Irradiance Forecasting Using Deep Learning [1.52292571922932]
  太陽エネルギーの非定常特性のため、短期的な太陽照度予測は困難である。 日内太陽光のマルチスケール予測のための統一アーキテクチャを提案する。 提案手法は,全試験場の平均RMSEを71.5%削減する。
  論文  参考訳（メタデータ） (2019-05-07T14:40:32Z)

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。