論文の概要: Frugal day-ahead forecasting of multiple local electricity loads by aggregating adaptive models

• arxiv url: http://arxiv.org/abs/2302.08192v1
• Date: Thu, 16 Feb 2023 10:17:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-17 14:16:10.805580
• Title: Frugal day-ahead forecasting of multiple local electricity loads by aggregating adaptive models
• Title（参考訳）: 適応モデル集約による複数局地電力負荷の粗末な日頭予測
• Authors: Guillaume Lambert (EDF R&D), Bachir Hamrouche (EDF R&D), Joseph de Vilmarest
• Abstract要約: 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。
• 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: We focus on day-ahead electricity load forecasting of substations of the distribution network in France; therefore, our problem lies between the instability of a single consumption and the stability of a countrywide total demand. Moreover, we are interested in forecasting the loads of over one thousand substations; consequently, we are in the context of forecasting multiple time series. To that end, we rely on an adaptive methodology that provided excellent results at a national scale; the idea is to combine generalized additive models with state-space representations. However, the extension of this methodology to the prediction of over a thousand time series raises a computational issue. We solve it by developing a frugal variant, reducing the number of parameters estimated; we estimate the forecasting models only for a few time series and achieve transfer learning by relying on aggregation of experts. It yields a reduction of computational needs and their associated emissions. We build several variants, corresponding to different levels of parameter transfer, and we look for the best trade-off between accuracy and frugality. The selected method achieves competitive results compared to state-of-the-art individual models. Finally, we highlight the interpretability of the models, which is important for operational applications.
• Abstract（参考訳）: 本研究では,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焦点をあてる。そのため, 単一消費の不安定性と全国的な総需要の安定との間に問題がある。 さらに,1000以上のサブステーションの負荷を予測することに興味があり,複数の時系列を予測できる状況にある。 その目的のために、我々は全国規模で優れた結果を提供する適応的方法論に依存しており、一般化された加法モデルと状態空間表現を組み合わせることを目的としている。 しかし、1000以上の時系列の予測に対するこの方法論の拡張は、計算上の問題を引き起こす。 本研究では, フラジカル変種を開発し, 推定パラメータ数を減らし, 数回の連続でのみ予測モデルを推定し, 専門家の集約に頼ることによって伝達学習を実現する。 計算要求とそれに伴う排出を減少させる。 パラメータ転送の異なるレベルに対応するいくつかの変種を構築し、精度とフリガリティの最良のトレードオフを探します。 選択した手法は,最先端の個人モデルと比較して,競争力のある結果が得られる。 最後に,運用アプリケーションにおいて重要となるモデルの解釈可能性について注目する。

関連論文リスト

• On conditional diffusion models for PDE simulations [53.01911265639582]
  スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。 本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。 また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2024-10-21T18:31:04Z)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Additive Covariance Matrix Models: Modelling Regional Electricity Net-Demand in Great Britain [0.0]
  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。
  論文  参考訳（メタデータ） (2022-11-14T15:27:11Z)
• TACTiS: Transformer-Attentional Copulas for Time Series [76.71406465526454]
  時間変化量の推定は、医療や金融などの分野における意思決定の基本的な構成要素である。 本稿では,アテンションベースデコーダを用いて関節分布を推定する多元的手法を提案する。 本研究では,本モデルが実世界の複数のデータセットに対して最先端の予測を生成することを示す。
  論文  参考訳（メタデータ） (2022-02-07T21:37:29Z)
• State-Space Models Win the IEEE DataPort Competition on Post-covid Day-ahead Electricity Load Forecasting [0.0]
  我々は、電力需要予測競争の勝利戦略を提示する。 この競争は、2020年春に始まるような不安定な期間の新しい予測方法を設計するために組織された。 私たちは、標準的な統計モデルと機械学習モデルを適用するために、ステートスペースモデルに依存しています。
  論文  参考訳（メタデータ） (2021-10-01T11:57:37Z)
• Predicting with Confidence on Unseen Distributions [90.68414180153897]
  ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。 分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。 具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
  論文  参考訳（メタデータ） (2021-07-07T15:50:18Z)
• 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)
• Simultaneously Reconciled Quantile Forecasting of Hierarchically Related Time Series [11.004159006784977]
  本稿では,階層間の予測の整合性を維持するために,量子レグレッション損失を最適化するフレキシブル非線形モデルを提案する。 ここで導入された理論的枠組みは、下層の微分可微分損失関数を持つ任意の予測モデルに適用できる。
  論文  参考訳（メタデータ） (2021-02-25T00:59:01Z)
• 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 multivariate electricity price forecasting using implicit generative ensemble post-processing [0.0]
  我々は、多変量電力価格シナリオを生成するために、点予測モデルのアンサンブルに基づく、可能性のない暗黙的生成モデルを使用する。 我々のアンサンブル後処理法は、確立されたモデル組合せベンチマークより優れている。 我々の手法はドメイン固有のエキスパートモデルの集合の上で機能するため、他の予測タスクに容易にデプロイできる。
  論文  参考訳（メタデータ） (2020-05-27T15:22:10Z)
• 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。