論文の概要: Asset Bundling for Wind Power Forecasting
- arxiv url: http://arxiv.org/abs/2309.16492v1
- Date: Thu, 28 Sep 2023 14:56:34 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-29 13:57:14.613956
- Title: Asset Bundling for Wind Power Forecasting
- Title(参考訳): 風力発電予測のためのアセットバンドル
- Authors: Hanyu Zhang, Mathieu Tanneau, Chaofan Huang, V. Roshan Joseph,
Shangkun Wang, Pascal Van Hentenryck
- Abstract要約: 本研究は,アセットバンドル,マシンラーニング,予測和解技術を統合したBPR( Bundle-Predict-Reconcile)フレームワークを提案する。
BPRフレームワークはまず中間階層レベル(バンドル)を学習し、続いて資産、バンドル、フリートレベルでの風力発電を予測し、最後にすべての予測を整合性を確保するために調整する。
- 参考スコア(独自算出の注目度): 15.393565192962482
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The growing penetration of intermittent, renewable generation in US power
grids, especially wind and solar generation, results in increased operational
uncertainty. In that context, accurate forecasts are critical, especially for
wind generation, which exhibits large variability and is historically harder to
predict. To overcome this challenge, this work proposes a novel
Bundle-Predict-Reconcile (BPR) framework that integrates asset bundling,
machine learning, and forecast reconciliation techniques. The BPR framework
first learns an intermediate hierarchy level (the bundles), then predicts wind
power at the asset, bundle, and fleet level, and finally reconciles all
forecasts to ensure consistency. This approach effectively introduces an
auxiliary learning task (predicting the bundle-level time series) to help the
main learning tasks. The paper also introduces new asset-bundling criteria that
capture the spatio-temporal dynamics of wind power time series. Extensive
numerical experiments are conducted on an industry-size dataset of 283 wind
farms in the MISO footprint. The experiments consider short-term and day-ahead
forecasts, and evaluates a large variety of forecasting models that include
weather predictions as covariates. The results demonstrate the benefits of BPR,
which consistently and significantly improves forecast accuracy over baselines,
especially at the fleet level.
- Abstract(参考訳): アメリカの電力網、特に風力と太陽光発電における断続的、再生可能エネルギーの浸透が増加し、運用上の不確実性が増大する。
その文脈では、正確な予測は特に、大きな変動を示し、予測が歴史的に困難である風力発電にとって重要である。
この課題を克服するために、アセットバンドル、機械学習、予測和解技術を統合する新しいBPR(Bunddle-Predict-Reconcile)フレームワークを提案する。
BPRフレームワークはまず中間階層レベル(バンドル)を学習し、続いて資産、バンドル、フリートレベルでの風力発電を予測し、最後にすべての予測を整合性を確保するために調整する。
このアプローチは,主学習タスクを支援する補助学習タスク(バンドルレベルの時系列を予測する)を効果的に導入する。
また,風力時系列の時空間ダイナミクスを捉える新たなアセットバンドル基準も導入した。
MISOフットプリント内の283の風力発電所の産業規模データセットを用いて,大規模な数値実験を行った。
この実験は、短期予測と日中予測を考慮し、天気予報を共変量として含む様々な予測モデルを評価する。
その結果、BPRの利点が示され、特に艦隊レベルでは、ベースラインよりも予測精度が一貫して大幅に向上した。
関連論文リスト
- Bias correction of wind power forecasts with SCADA data and continuous
learning [0.0]
我々は,4つの機械学習に基づく風力予測モデルを提示し,評価し,比較する。
本モデルは,65基の風力タービンからなるウィンドパークのデータセットを用いて評価した。
論文 参考訳(メタデータ) (2024-02-21T16:31:45Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather
Forecast [61.138475638813354]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,ExEnsembleという名称のトレーニングフリーな極値拡張戦略を導入し,画素値のばらつきを増大させ,予測ロバスト性を向上させる。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳(メタデータ) (2024-02-02T10:34:13Z) - Scaling transformer neural networks for skillful and reliable
medium-range weather forecasting [24.02355555479722]
本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。
Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。
ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
論文 参考訳(メタデータ) (2023-12-06T19:46:06Z) - Counterfactual Explanations for Time Series Forecasting [14.03870816983583]
本稿では,時系列予測における対実生成の新たな問題を定式化し,ForecastCFと呼ばれるアルゴリズムを提案する。
ForecastCFは、勾配に基づく摂動を元の時系列に適用することで、この問題を解決する。
以上の結果から,ForecastCFは,逆ファクト的妥当性とデータ多様体の近接性の観点から,ベースラインよりも優れていた。
論文 参考訳(メタデータ) (2023-10-12T08:51:59Z) - Performative Time-Series Forecasting [71.18553214204978]
我々は,機械学習の観点から,パフォーマンス時系列予測(PeTS)を定式化する。
本稿では,予測分布シフトに対する遅延応答の概念を活用する新しい手法であるFeature Performative-Shifting(FPS)を提案する。
新型コロナウイルスの複数の時系列モデルと交通予報タスクを用いた総合的な実験を行った。
論文 参考訳(メタデータ) (2023-10-09T18:34:29Z) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳(メタデータ) (2023-10-02T17:13:16Z) - Probabilistic forecasts of wind power generation in regions with complex
topography using deep learning methods: An Arctic case [3.3788638227700734]
本研究は,ディープラーニングを用いた確率的予測に関する概念とアプローチを提示する。
深層学習モデルを用いて、ノルウェー北部の風力発電所から日頭発電の確率予測を行う。
論文 参考訳(メタデータ) (2022-03-10T15:52:11Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - Calibration of wind speed ensemble forecasts for power generation [0.0]
過去数十年間、風力発電は欧州連合で2番目に大きな電力供給源となり、電力需要の16%を占めた。
そのボラティリティのため、風力エネルギーを電気グリッドにうまく統合するには、正確な短距離風力予測が必要である。
生のアンサンブルと比較すると,ポストプロセッシングは常に確率的および精度の高い点予測のキャリブレーションを改善する。
論文 参考訳(メタデータ) (2021-04-30T11:18:03Z) - 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)
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。