論文の概要: A Global Modeling Approach for Load Forecasting in Distribution Networks
- arxiv url: http://arxiv.org/abs/2204.00493v1
- Date: Fri, 1 Apr 2022 14:51:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-04 13:56:18.517357
- Title: A Global Modeling Approach for Load Forecasting in Distribution Networks
- Title(参考訳): 配電系統における負荷予測のためのグローバルモデリング手法
- Authors: Miha Grabner, Yi Wang, Qingsong Wen, Bo\v{s}tjan Bla\v{z}i\v{c},
Vitomir \v{S}truc
- Abstract要約: 個々の負荷に対する個別(またはいわゆるローカル)予測モデルを別々に開発するのは現実的ではない。
本稿では,分散ネットワークにおける大量の負荷の効率的な予測のためのディープラーニングに基づくグローバルモデリング手法を提案する。
- 参考スコア(独自算出の注目度): 10.249757638247429
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Efficient load forecasting is needed to ensure better observability in the
distribution networks, whereas such forecasting is made possible by an
increasing number of smart meter installations. Because distribution networks
include a large amount of different loads at various aggregation levels, such
as individual consumers, transformer stations and feeders loads, it is
impractical to develop individual (or so-called local) forecasting models for
each load separately. Furthermore, such local models ignore the strong
dependencies between different loads that might be present due to their spatial
proximity and the characteristics of the distribution network. To address these
issues, this paper proposes a global modeling approach based on deep learning
for efficient forecasting of a large number of loads in distribution networks.
In this way, the computational burden of training a large amount of local
forecasting models can be largely reduced, and the cross-series information
shared among different loads can be utilized. Additionally, an unsupervised
localization mechanism and optimal ensemble construction strategy are also
proposed to localize/personalize the forecasting model to different groups of
loads and to improve the forecasting accuracy further. Comprehensive
experiments are conducted on real-world smart meter data to demonstrate the
superiority of the proposed approach compared to competing methods.
- Abstract(参考訳): 配電網の可観測性向上には効率的な負荷予測が必要であるが, スマートメーターの設置数の増加により, このような予測が可能となる。
配電網は, 個別消費者, 変圧器局, フィーダ等の多種多様な集約レベルでの負荷を多量に含むため, 各負荷に対して個別(あるいは局所)予測モデルを開発することは実用的ではない。
さらに,このようなローカルモデルでは,その空間的近接性や分散ネットワークの特性から,異なる負荷間の強い依存性を無視できる。
そこで本研究では,分散ネットワークにおける大量の負荷を効率的に予測するための,ディープラーニングに基づくグローバルモデリング手法を提案する。
このようにして、大量の局所予測モデルのトレーニングの計算負荷を大幅に削減することができ、異なる負荷間で共有される直列情報を利用することができる。
また,予測モデルを異なる負荷群に局所化/パーソナライズし,さらに予測精度を向上させるために,教師なし局所化機構と最適アンサンブル構築戦略を提案する。
実世界のスマートメータデータを用いて総合的な実験を行い,提案手法が競合手法よりも優れていることを示す。
関連論文リスト
- 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) - Distributionally Robust Machine Learning with Multi-source Data [9.359714425373616]
対象分布のクラスに対する説明分散に関する逆報酬を最適化するために,群分布に頑健な予測モデルを導入する。
従来の経験的リスク最小化と比較して,提案した頑健な予測モデルでは,分布シフトを伴う対象集団の予測精度が向上する。
ランダムな森林とニューラルネットワークをベースラーニングアルゴリズムとして用いたシミュレーションおよび実データに対して,提案したグループ分散ロバストな手法の性能を示す。
論文 参考訳(メタデータ) (2023-09-05T13:19:40Z) - Frugal day-ahead forecasting of multiple local electricity loads by
aggregating adaptive models [0.0]
フランスにおける配電網の変電所の日頭電力負荷予測に着目する。
そこで我々は,パラメータの数を削減し,伝達学習を実現するフラジカル変種を開発した。
私たちは、運用アプリケーションにとって重要なモデルの解釈可能性を強調します。
論文 参考訳(メタデータ) (2023-02-16T10:17:19Z) - 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) - Aggregating distribution forecasts from deep ensembles [0.0]
本稿では,ディープアンサンブルのための一般的な量子集約フレームワークを提案する。
深層アンサンブルからの予測分布を組み合わせることで,予測性能を大幅に向上できることを示す。
論文 参考訳(メタデータ) (2022-04-05T15:42:51Z) - End-to-End Trajectory Distribution Prediction Based on Occupancy Grid
Maps [29.67295706224478]
本稿では,実世界における移動エージェントの将来の軌跡分布を予測することを目的としている。
我々は、接地構造分布に対する明示的かつシーン順応的な近似として、占有格子マップを用いて対称的クロスエントロピーで分布を学習する。
実験では,Stanford Drone データセットとIntersection Drone データセットの最先端性能を実現する。
論文 参考訳(メタデータ) (2022-03-31T09:24:32Z) - Test-time Collective Prediction [73.74982509510961]
マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。
エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。
我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
論文 参考訳(メタデータ) (2021-06-22T18:29:58Z) - 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) - Generalization Properties of Optimal Transport GANs with Latent
Distribution Learning [52.25145141639159]
本研究では,潜伏分布とプッシュフォワードマップの複雑さの相互作用が性能に与える影響について検討する。
我々の分析に感銘を受けて、我々はGANパラダイム内での潜伏分布とプッシュフォワードマップの学習を提唱した。
論文 参考訳(メタデータ) (2020-07-29T07:31:33Z) - Diversity inducing Information Bottleneck in Model Ensembles [73.80615604822435]
本稿では,予測の多様性を奨励することで,ニューラルネットワークの効果的なアンサンブルを生成する問題をターゲットにする。
そこで本研究では,潜伏変数の学習における逆損失の多様性を明示的に最適化し,マルチモーダルデータのモデリングに必要な出力予測の多様性を得る。
最も競争力のあるベースラインと比較して、データ分布の変化の下で、分類精度が大幅に向上した。
論文 参考訳(メタデータ) (2020-03-10T03:10:41Z)
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。