論文の概要: Short-Term Density Forecasting of Low-Voltage Load using Bernstein-Polynomial Normalizing Flows

• arxiv url: http://arxiv.org/abs/2204.13939v1
• Date: Fri, 29 Apr 2022 08:32:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-03 01:09:38.053184
• Title: Short-Term Density Forecasting of Low-Voltage Load using Bernstein-Polynomial Normalizing Flows
• Title（参考訳）: bernstein-polynomial normalizing flowを用いた低電圧負荷の短期密度予測
• Authors: Marcel Arpogaus, Marcus Voss, Beate Sick, Mark Nigge-Uricher, Oliver D\"urr
• Abstract要約: 高いゆらぎと電化の増大は、従来の点推定に反映されない、大きな予測変動を引き起こす。 本稿では,正規化フローに基づく短期負荷のフレキシブルな条件密度予測手法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The transition to a fully renewable energy grid requires better forecasting of demand at the low-voltage level to increase efficiency and ensure reliable control. However, high fluctuations and increasing electrification cause huge forecast variability, not reflected in traditional point estimates. Probabilistic load forecasts take future uncertainties into account and thus allow more informed decision-making for the planning and operation of low-carbon energy systems. We propose an approach for flexible conditional density forecasting of short-term load based on Bernstein polynomial normalizing flows, where a neural network controls the parameters of the flow. In an empirical study with 363 smart meter customers, our density predictions compare favorably against Gaussian and Gaussian mixture densities. Also, they outperform a non-parametric approach based on the pinball loss for 24h-ahead load forecasting for two different neural network architectures.
• Abstract（参考訳）: 完全再生エネルギーグリッドへの移行は、効率を高め、信頼できる制御を確保するために、低電圧レベルでの需要予測の改善を必要とする。 しかし、高い変動と電化の増加は、従来の点推定に反映されない、大きな予測変動を引き起こす。 確率的負荷予測は将来の不確実性を考慮しており、低炭素エネルギーシステムの計画と運用についてより詳細な意思決定を可能にする。 本稿では,ニューラルネットワークが流れのパラメータを制御するbernstein多項式正規化流れに基づく短時間負荷の柔軟な条件密度予測手法を提案する。 363人のスマートメータの顧客を対象に行った実証研究で、我々の密度予測はガウスとガウスの混合密度と比較した。 また、2つの異なるニューラルネットワークアーキテクチャの24hアヘッド負荷予測では、ピンボール損失に基づく非パラメトリックアプローチを上回っている。

関連論文リスト

• Any-Quantile Probabilistic Forecasting of Short-Term Electricity Demand [8.068451210598678]
  電力システムは、決定論的に説明できない複数の要因から生じる不確実性の下で運用される。 ディープラーニングの最近の進歩は、ポイント予測の精度を大幅に向上させるのに役立っている。 任意の量子を予測できる分布予測のための新しい一般手法を提案する。
  論文  参考訳（メタデータ） (2024-04-26T14:43:19Z)
• Short-Term Load Forecasting Using A Particle-Swarm Optimized Multi-Head Attention-Augmented CNN-LSTM Network [0.0]
  電力系統の効率的な運用と計画において、短期負荷予測が最重要となる。 ディープラーニングの最近の進歩は、この問題に対処する上で有望であることを示している。 これらの障害を克服する新しいソリューションを提案します。
  論文  参考訳（メタデータ） (2023-09-07T13:06:52Z)
• Pedestrian Trajectory Forecasting Using Deep Ensembles Under Sensing Uncertainty [125.41260574344933]
  エンコーダ・デコーダをベースとした深層アンサンブルネットワークは,認識と予測の不確実性の両方を同時に捕捉する。 全体として、深層アンサンブルはより堅牢な予測を提供し、上流の不確実性の考慮により、モデルの推定精度をさらに高めた。
  論文  参考訳（メタデータ） (2023-05-26T04:27:48Z)
• Wind Power Forecasting Considering Data Privacy Protection: A Federated Deep Reinforcement Learning Approach [5.718294641082287]
  超短時間の風力発電予測において,連合学習と深部強化学習(DRL)を組み合わせた予測手法を提案する。 本稿では,予測精度向上のための基本的な予測モデルとして,Deep Deterministic Policy gradient (DDPG)アルゴリズムを用いる。 提案したFedDRLは、プライベートデータを共有するのではなく、モデルパラメータを共有することによって、分散的に正確な予測モデルを得ることができる。
  論文  参考訳（メタデータ） (2022-11-02T08:36:32Z)
• Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
  動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。 著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。 将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
  論文  参考訳（メタデータ） (2022-05-04T04:23:38Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• 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)
• Physics-Informed Gaussian Process Regression for Probabilistic States Estimation and Forecasting in Power Grids [67.72249211312723]
  電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。 PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。 提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
  論文  参考訳（メタデータ） (2020-10-09T14:18:31Z)
• N-BEATS neural network for mid-term electricity load forecasting [8.430502131775722]
  提案手法は,中期電力負荷予測問題の解決に有効であることを示す。 実装と訓練は簡単で、信号前処理は不要であり、予測バイアス低減機構を備えている。 実験的な研究によると、提案されたニューラルネットワークは、正確性と予測バイアスの両方の観点から、すべての競合より明らかに優れています。
  論文  参考訳（メタデータ） (2020-09-24T21:48:08Z)

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。