論文の概要: Optimal Adaptive Prediction Intervals for Electricity Load Forecasting
in Distribution Systems via Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2205.08698v1
- Date: Wed, 18 May 2022 02:55:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-19 20:43:01.456849
- Title: Optimal Adaptive Prediction Intervals for Electricity Load Forecasting
in Distribution Systems via Reinforcement Learning
- Title（参考訳）: 強化学習による配電系統の電力負荷予測のための最適適応予測区間
- Authors: Yufan Zhang, Honglin Wen, Qiuwei Wu, and Qian Ai
- Abstract要約: 最適PI推定手法を提案する。これはオンラインであり、異なるデータ分布に適応する。
強化学習のオンライン学習能力を利用して、2つのオンラインタスクを統合する。
負荷とネット負荷の双方に関するケーススタディでは,オンライン中央PI法と比較して,提案手法がデータ分布に適応できることが示されている。
- 参考スコア（独自算出の注目度）: 1.5749416770494706
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Prediction intervals offer an effective tool for quantifying the uncertainty
of loads in distribution systems. The traditional central PIs cannot adapt well
to skewed distributions, and their offline training fashion is vulnerable to
unforeseen changes in future load patterns. Therefore, we propose an optimal PI
estimation approach, which is online and adaptive to different data
distributions by adaptively determining symmetric or asymmetric probability
proportion pairs for quantiles. It relies on the online learning ability of
reinforcement learning to integrate the two online tasks, i.e., the adaptive
selection of probability proportion pairs and quantile predictions, both of
which are modeled by neural networks. As such, the quality of quantiles-formed
PI can guide the selection process of optimal probability proportion pairs,
which forms a closed loop to improve the quality of PIs. Furthermore, to
improve the learning efficiency of quantile forecasts, a prioritized experience
replay strategy is proposed for online quantile regression processes. Case
studies on both load and net load demonstrate that the proposed method can
better adapt to data distribution compared with online central PIs method.
Compared with offline-trained methods, it obtains PIs with better quality and
is more robust against concept drift.
- Abstract（参考訳）: 予測間隔は、分散システムにおける負荷の不確実性の定量化に有効なツールを提供する。
従来の中央のPIは歪んだ分布にうまく適応できず、オフラインのトレーニングスタイルは将来の負荷パターンの予期せぬ変化に対して脆弱である。
そこで本研究では,量子化に対する対称あるいは非対称の確率比対を適応的に決定することにより,オンラインかつ異なるデータ分布に適応する最適PI推定手法を提案する。
これは強化学習のオンライン学習能力を利用して、2つのオンラインタスク、すなわち確率比のペアと量子予測の適応的選択を統合する。
そのため、量子化されたPIの品質は最適確率比対の選択過程を導くことができ、PIの品質を向上させるために閉ループを形成する。
さらに、量子化予測の学習効率を向上させるために、オンライン量子化回帰プロセスにおいて優先的な経験再生戦略を提案する。
負荷とネット負荷の双方に関するケーススタディでは,オンライン中央PI法と比較して,提案手法がデータ分布に適応できることが示されている。
オフラインで訓練された手法と比較すると、優れた品質のPIが得られ、コンセプトドリフトに対してより堅牢である。
関連論文リスト
- A Bayesian Approach to Data Point Selection [24.98069363998565]
データポイントの選択(DPS)は、ディープラーニングにおいて重要なトピックになりつつある。
既存のDPSへのアプローチは、主にバイレベル最適化(BLO)の定式化に基づいている。
DPSに対する新しいベイズ的アプローチを提案する。
論文 参考訳（メタデータ） (2024-11-06T09:04:13Z) - Stratified Prediction-Powered Inference for Hybrid Language Model Evaluation [62.2436697657307]
予測駆動推論(英: Prediction-powered Inference, PPI)は、人間ラベル付き限られたデータに基づいて統計的推定を改善する手法である。
我々はStratPPI(Stratified Prediction-Powered Inference)という手法を提案する。
単純なデータ階層化戦略を用いることで,基礎的なPPI推定精度を大幅に向上できることを示す。
論文 参考訳（メタデータ） (2024-06-06T17:37:39Z) - Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。
学習シナリオにおける同値性に基づく単一のフレームワークを提案する。
我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
論文 参考訳（メタデータ） (2024-05-09T12:52:22Z) - Federated Bayesian Deep Learning: The Application of Statistical Aggregation Methods to Bayesian Models [0.9940108090221528]
集約戦略は、分散決定論的モデルの重みとバイアスをプールまたはフューズするために開発されている。
決定論的モデルに対するFLスキームに付随するアグリゲーション手法の簡単な適用は不可能か、あるいは準最適性能をもたらすかを示す。
論文 参考訳（メタデータ） (2024-03-22T15:02:24Z) - Practical Probabilistic Model-based Deep Reinforcement Learning by
Integrating Dropout Uncertainty and Trajectory Sampling [7.179313063022576]
本稿では,ニューラルネットワーク上に構築された現在の確率モデルベース強化学習(MBRL)の予測安定性,予測精度,制御能力について述べる。
トラジェクトリサンプリング(DPETS)を用いた新しいアプローチであるドロップアウト型確率アンサンブルを提案する。
論文 参考訳（メタデータ） (2023-09-20T06:39:19Z) - Towards a Better Theoretical Understanding of Independent Subnetwork Training [56.24689348875711]
独立サブネットワークトレーニング(IST)の理論的考察
ISTは、上記の問題を解決するための、最近提案され、非常に効果的である。
圧縮通信を用いた分散手法など,ISTと代替手法の基本的な違いを同定する。
論文 参考訳（メタデータ） (2023-06-28T18:14:22Z) - Bilevel Online Deep Learning in Non-stationary Environment [4.565872584112864]
Bilevel Online Deep Learning (BODL)フレームワークは、双方向最適化戦略とオンラインアンサンブル分類器を組み合わせたフレームワークである。
概念ドリフトが検出されると、BODLアルゴリズムはバイレベル最適化によりモデルパラメータを適応的に更新し、大きなドリフトを回避し、正の転送を促進する。
論文 参考訳（メタデータ） (2022-01-25T11:05:51Z) - PDC-Net+: Enhanced Probabilistic Dense Correspondence Network [161.76275845530964]
高度確率密度対応ネットワーク(PDC-Net+)は、精度の高い高密度対応を推定できる。
我々は、堅牢で一般化可能な不確実性予測に適したアーキテクチャと強化されたトレーニング戦略を開発する。
提案手法は,複数の挑戦的幾何マッチングと光学的フローデータセットに対して,最先端の結果を得る。
論文 参考訳（メタデータ） (2021-09-28T17:56:41Z) - Sampling-free Variational Inference for Neural Networks with
Multiplicative Activation Noise [51.080620762639434]
サンプリングフリー変動推論のための後方近似のより効率的なパラメータ化を提案する。
提案手法は,標準回帰問題に対する競合的な結果をもたらし,大規模画像分類タスクに適している。
論文 参考訳（メタデータ） (2021-03-15T16:16:18Z) - CRPS Learning [0.0]
組み合わせと集約技術は予測精度を大幅に向上させることができる。
連続的なランク付け確率スコア(CRPS)に関して最適化するポイントワイズオンラインアグリゲーションアルゴリズムについて論じる。
論文 参考訳（メタデータ） (2021-02-01T16:54:05Z) - Millimeter Wave Communications with an Intelligent Reflector:
Performance Optimization and Distributional Reinforcement Learning [119.97450366894718]
ミリ波基地局のダウンリンクマルチユーザ通信を最適化するための新しいフレームワークを提案する。
チャネル状態情報(CSI)をリアルタイムで計測するために,チャネル推定手法を開発した。
最適赤外反射を学習し、ダウンリンク能力の期待を最大化するために、分布強化学習(DRL)手法を提案する。
論文 参考訳（メタデータ） (2020-02-24T22:18:54Z)
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。