論文の概要: Additive Covariance Matrix Models: Modelling Regional Electricity
Net-Demand in Great Britain
- arxiv url: http://arxiv.org/abs/2211.07451v2
- Date: Tue, 7 Nov 2023 13:55:14 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-08 22:55:25.998078
- Title: Additive Covariance Matrix Models: Modelling Regional Electricity
Net-Demand in Great Britain
- Title（参考訳）: 付加共分散行列モデル:イギリスにおける地域電力ネットデマンドのモデル化
- Authors: V. Gioia, M. Fasiolo, J. Browell, R. Bellio
- Abstract要約: 我々は、イギリスの電力網を構成する14の地域において、ネット需要の同時分布を予測した。
統合モデリングは、地域ごとの需要変動と地域間の依存関係が、時間的、社会経済的、気象的要因によって異なるという事実によって複雑である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Forecasts of regional electricity net-demand, consumption minus embedded
generation, are an essential input for reliable and economic power system
operation, and energy trading. While such forecasts are typically performed
region by region, operations such as managing power flows require spatially
coherent joint forecasts, which account for cross-regional dependencies. Here,
we forecast the joint distribution of net-demand across the 14 regions
constituting Great Britain's electricity network. Joint modelling is
complicated by the fact that the net-demand variability within each region, and
the dependencies between regions, vary with temporal, socio-economical and
weather-related factors. We accommodate for these characteristics by proposing
a multivariate Gaussian model based on a modified Cholesky parametrisation,
which allows us to model each unconstrained parameter via an additive model.
Given that the number of model parameters and covariates is large, we adopt a
semi-automated approach to model selection, based on gradient boosting. In
addition to comparing the forecasting performance of several versions of the
proposed model with that of two non-Gaussian copula-based models, we visually
explore the model output to interpret how the covariates affect net-demand
variability and dependencies.
The code for reproducing the results in this paper is available at
https://doi.org/10.5281/zenodo.7315105, while methods for building and fitting
multivariate Gaussian additive models are provided by the SCM R package,
available at https://github.com/VinGioia90/SCM.
- Abstract（参考訳）: 地域電力需要の予測、消費最小の組込み発電は、信頼性と経済システムの運用とエネルギー取引に欠かせないインプットである。
このような予測は地域によって行われるのが一般的であるが、電力フローの管理などの操作には空間的に一貫性のある共同予測が必要である。
ここでは、イギリスの電力網を構成する14の地域において、ネット需要の同時分布を予測する。
共同モデリングは、各地域における純需要変動と地域間の依存性が、時間的、社会経済的、気象関連要因によって異なるという事実によって複雑である。
修正されたコレスキーパラメトリションに基づいて多変量ガウスモデルを提案し、加法モデルを用いて各非拘束パラメータをモデル化することができる。
モデルパラメータと共変量の数は大きいので、勾配ブースティングに基づいて半自動的なモデル選択アプローチを採用する。
提案モデルの複数バージョンの予測性能と2つの非ガウシアンコプラモデルとの比較に加えて,モデル出力を視覚的に探索し,共変量がどのように純需要変動と依存に影響を及ぼすかを解釈する。
この論文で結果を再現するためのコードはhttps://doi.org/10.5281/zenodo.7315105で、多変量ガウス加法モデルの構築と適合の方法は、https://github.com/VinGioia90/SCMで入手できるSCM Rパッケージによって提供されている。
関連論文リスト
- Forecasting Intraday Power Output by a Set of PV Systems using Recurrent Neural Networks and Physical Covariates [0.0]
PhotoVoltaic(PV)システムによる出力の正確な予測は、エネルギー分配グリッドの動作を改善するために重要である。
このような日内予測の実現を目的とした神経自己回帰モデルについて述べる。
論文 参考訳（メタデータ） (2023-03-15T09:03:58Z) - Distributional Learning of Variational AutoEncoder: Application to
Synthetic Data Generation [0.7614628596146602]
本稿では,VAEフレームワークの計算上の利点を犠牲にすることなく,モデル容量を拡大する手法を提案する。
VAEモデルのデコーダは、非対称ラプラス分布の無限混合からなる。
提案したモデルを合成データ生成に適用し,特にデータプライバシの調整が容易であることを示す。
論文 参考訳（メタデータ） (2023-02-22T11:26:50Z) - 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) - Deep Variational Models for Collaborative Filtering-based Recommender
Systems [63.995130144110156]
ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。
提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。
提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
論文 参考訳（メタデータ） (2021-07-27T08:59:39Z) - Accuracy on the Line: On the Strong Correlation Between
Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。
具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。
また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
論文 参考訳（メタデータ） (2021-07-09T19:48:23Z) - Autoregressive Dynamics Models for Offline Policy Evaluation and
Optimization [60.73540999409032]
表現的自己回帰ダイナミクスモデルが次の状態の異なる次元を生成し、以前の次元で順次条件付きで報酬を得ることを示す。
また,リプレイバッファを充実させる手段として,自己回帰的ダイナミクスモデルがオフラインポリシー最適化に有用であることを示す。
論文 参考訳（メタデータ） (2021-04-28T16:48:44Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳（メタデータ） (2020-10-27T17:54:12Z) - Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。
AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。
本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文 参考訳（メタデータ） (2020-10-24T07:01:24Z) - Identification of Probability weighted ARX models with arbitrary domains [75.91002178647165]
PieceWise Affineモデルは、ハイブリッドシステムの他のクラスに対する普遍近似、局所線型性、同値性を保証する。
本研究では,任意の領域を持つ固有入力モデル(NPWARX)を用いたPieceWise Auto Regressiveの同定に着目する。
このアーキテクチャは、機械学習の分野で開発されたMixture of Expertの概念に従って考案された。
論文 参考訳（メタデータ） (2020-09-29T12:50:33Z) - Variational Filtering with Copula Models for SLAM [5.242618356321224]
より広い分布のクラスと同時局所化とマッピング(SLAM)を同時に行うことができるかを示す。
分布モデルとコプラを逐次モンテカルロ推定器に統合し、勾配に基づく最適化によって未知のモデルパラメータがいかに学習できるかを示す。
論文 参考訳（メタデータ） (2020-08-02T15:38:23Z) - Additive stacking for disaggregate electricity demand forecasting [1.0499611180329804]
将来のグリッド管理システムは、分散生産と貯蔵資源を協調して管理し、コスト効率の良い方法で、輸送の電化と天候依存生産の高割合による負荷と変動を増大させる。
世帯ごとの消費パターンの不均一性や信号対雑音比の低さから、総需要予測よりも困難である各世帯レベルでの需要予測に焦点をあてる。
特に,需要動態の異なるモデルや「専門家」を開発し,各世帯のデータに適合させる。
そして、アンサンブルが重みを持つ専門家の集合を構築します。
論文 参考訳（メタデータ） (2020-05-20T14:54:22Z)
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。