論文の概要: Learning for Interval Prediction of Electricity Demand: A Cluster-based Bootstrapping Approach

• arxiv url: http://arxiv.org/abs/2309.01336v1
• Date: Mon, 4 Sep 2023 03:45:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-06 20:03:51.798837
• Title: Learning for Interval Prediction of Electricity Demand: A Cluster-based Bootstrapping Approach
• Title（参考訳）: 電力需要のインターバル予測のための学習--クラスタ型ブートストラップアプローチ
• Authors: Rohit Dube, Natarajan Gautam, Amarnath Banerjee, Harsha Nagarajan
• Abstract要約: Microgridのような小さなアグリゲーションロード設定でオペレーションを管理するには、インターバル推定が必要である。 本稿では,日頭電力需要の間隔推定を行う残余ブートストラップアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 2.2940141855172036
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate predictions of electricity demands are necessary for managing operations in a small aggregation load setting like a Microgrid. Due to low aggregation, the electricity demands can be highly stochastic and point estimates would lead to inflated errors. Interval estimation in this scenario, would provide a range of values within which the future values might lie and helps quantify the errors around the point estimates. This paper introduces a residual bootstrap algorithm to generate interval estimates of day-ahead electricity demand. A machine learning algorithm is used to obtain the point estimates of electricity demand and respective residuals on the training set. The obtained residuals are stored in memory and the memory is further partitioned. Days with similar demand patterns are grouped in clusters using an unsupervised learning algorithm and these clusters are used to partition the memory. The point estimates for test day are used to find the closest cluster of similar days and the residuals are bootstrapped from the chosen cluster. This algorithm is evaluated on the real electricity demand data from EULR(End Use Load Research) and is compared to other bootstrapping methods for varying confidence intervals.
• Abstract（参考訳）: マイクログリッドのような小さな集約負荷設定での運用管理には、電力需要の正確な予測が必要である。 凝集度が低いため、電気需要は非常に確率的であり、点推定は膨らんだ誤差につながる。 このシナリオにおける区間推定は、将来の値が横たわる可能性のある範囲の値を提供し、点推定に関する誤差の定量化に役立つ。 本稿では,日頭電力需要の間隔推定を行う残余ブートストラップアルゴリズムを提案する。 トレーニングセットの電力需要と各残差のポイント推定を得るために機械学習アルゴリズムを用いる。 得られた残余はメモリに格納され、メモリはさらに分割される。 同様の需要パターンを持つ日は、教師なし学習アルゴリズムを使用してクラスタにグループ化され、これらのクラスタはメモリ分割に使用される。 テストデーのポイント推定値は、類似した日の最も近いクラスタを見つけるために使用され、残余は選択されたクラスタからブートストラップされる。 このアルゴリズムは、EULR(End Use Load Research)の実際の電力需要データに基づいて評価され、信頼区間の異なるブートストラップ法と比較される。

関連論文リスト

• Relaxed Quantile Regression: Prediction Intervals for Asymmetric Noise [51.87307904567702]
  量子レグレッション(Quantile regression)は、出力の分布における量子の実験的推定を通じてそのような間隔を得るための主要なアプローチである。 本稿では、この任意の制約を除去する量子回帰に基づく区間構成の直接的な代替として、Relaxed Quantile Regression (RQR)を提案する。 これにより、柔軟性が向上し、望ましい品質が向上することが実証された。
  論文  参考訳（メタデータ） (2024-06-05T13:36:38Z)
• Minimally Supervised Learning using Topological Projections in Self-Organizing Maps [55.31182147885694]
  自己組織化マップ(SOM)におけるトポロジカルプロジェクションに基づく半教師付き学習手法を提案する。 提案手法は,まずラベル付きデータ上でSOMを訓練し,最小限のラベル付きデータポイントをキーベストマッチングユニット(BMU)に割り当てる。 提案した最小教師付きモデルが従来の回帰手法を大幅に上回ることを示す。
  論文  参考訳（メタデータ） (2024-01-12T22:51:48Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• Targeted demand response for flexible energy communities using clustering techniques [2.572906392867547]
  目的は、イタリアの分散エネルギーコミュニティにおける消費者の消費行動を変えることである。 一般的な3つの機械学習アルゴリズム、すなわちk-means、k-medoids、集約クラスタリングが採用されている。 本研究で提案される新しい指標,すなわちピークパフォーマンススコア(PPS)を含む複数の指標を用いた手法の評価を行った。
  論文  参考訳（メタデータ） (2023-03-01T02:29:30Z)
• Federated Learning with Hyperparameter-based Clustering for Electrical Load Forecasting [0.0]
  本稿では,個別住宅負荷と集約負荷の短期予測のためのフェデレーション学習の性能を評価する。 本手法の利点とデメリットを,集中型および局所的な学習手法と比較することにより論じる。 その結果,フェデレート学習は,各負荷予測における最小ルート平均二乗誤差(RMSE)0.117kWhで良好な性能を示した。
  論文  参考訳（メタデータ） (2021-11-14T22:29:01Z)
• Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
  GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。 提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
  論文  参考訳（メタデータ） (2021-11-03T03:50:48Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• Active machine learning for spatio-temporal predictions using feature embedding [0.537133760455631]
  アクティブラーニングは、危機時予測の改善を通じて環境問題の解決に寄与する可能性がある。 本稿では,このギャップを埋める新しいバッチAL法を提案する。 候補データポイントの機能をエンコードおよびクラスタ化し、組み込み機能からクラスタセンターまでの距離に基づいて最適なデータをクエリします。
  論文  参考訳（メタデータ） (2020-12-08T12:55:29Z)
• Coded Stochastic ADMM for Decentralized Consensus Optimization with Edge Computing [113.52575069030192]
  セキュリティ要件の高いアプリケーションを含むビッグデータは、モバイルデバイスやドローン、車両など、複数の異種デバイスに収集され、格納されることが多い。 通信コストとセキュリティ要件の制限のため、核融合センターにデータを集約するのではなく、分散的に情報を抽出することが最重要となる。 分散エッジノードを介してデータを局所的に処理するマルチエージェントシステムにおいて,モデルパラメータを学習する問題を考える。 分散学習モデルを開発するために,乗算器アルゴリズムの最小バッチ交互方向法(ADMM)のクラスについて検討した。
  論文  参考訳（メタデータ） (2020-10-02T10:41:59Z)
• Evaluating Machine Learning Models for the Fast Identification of Contingency Cases [0.0]
  電力フロー結果の高速な近似は、電力系統計画と実運用において有益である。 計画においては、複数年ごとに数百万の電力フロー計算が必要であり、異なる制御戦略や緊急ポリシーを考慮する必要がある。 ライブ操作では、グリッドオペレータは、グリッド状態が短時間で緊急要求に準拠するかどうかを評価する必要がある。
  論文  参考訳（メタデータ） (2020-08-21T09:24:57Z)

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。