論文の概要: Interactive Generalized Additive Model and Its Applications in Electric Load Forecasting

• arxiv url: http://arxiv.org/abs/2310.15662v1
• Date: Tue, 24 Oct 2023 09:17:47 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-25 19:28:15.608413
• Title: Interactive Generalized Additive Model and Its Applications in Electric Load Forecasting
• Title（参考訳）: 電気負荷予測における対話型一般化付加モデルとその応用
• Authors: Linxiao Yang and Rui Ren and Xinyue Gu and Liang Sun
• Abstract要約: 本稿では,電力産業において,解釈可能なだけでなく,特定の分野の知識を取り入れた対話型GAMを提案する。 我々の対話型GAMは、現在の最先端手法よりも優れており、極端な気象事象の場合に優れた一般化能力を示す。 インタラクティブなGAMをベースにしたユーザフレンドリーなWebベースのツールをローンチし、すでにeForecaster製品に組み込んでいます。
• 参考スコア（独自算出の注目度）: 12.431475555894089
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Electric load forecasting is an indispensable component of electric power system planning and management. Inaccurate load forecasting may lead to the threat of outages or a waste of energy. Accurate electric load forecasting is challenging when there is limited data or even no data, such as load forecasting in holiday, or under extreme weather conditions. As high-stakes decision-making usually follows after load forecasting, model interpretability is crucial for the adoption of forecasting models. In this paper, we propose an interactive GAM which is not only interpretable but also can incorporate specific domain knowledge in electric power industry for improved performance. This boosting-based GAM leverages piecewise linear functions and can be learned through our efficient algorithm. In both public benchmark and electricity datasets, our interactive GAM outperforms current state-of-the-art methods and demonstrates good generalization ability in the cases of extreme weather events. We launched a user-friendly web-based tool based on interactive GAM and already incorporated it into our eForecaster product, a unified AI platform for electricity forecasting.
• Abstract（参考訳）: 電力負荷予測は電力システムの計画と管理に欠かせない要素である。 不正確な負荷予測は、停電やエネルギーの浪費につながる可能性がある。 正確な電力負荷予測は、ホリデーシーズンの負荷予測や極端気象条件下での負荷予測など、限られたデータやデータがない場合に困難である。 高リスク意思決定は通常負荷予測の後に行われるため、モデル解釈は予測モデルの導入に不可欠である。 本稿では,電力産業において,解釈可能なだけでなく,特定の分野の知識を取り入れた対話型GAMを提案する。 このブースティングに基づくGAMは、断片線形関数を活用し、効率的なアルゴリズムによって学習することができる。 パブリックベンチマークと電気データの両方において、我々の対話型GAMは現在の最先端の手法よりも優れており、極端な気象事象の場合に優れた一般化能力を示す。 私たちはインタラクティブなGAMをベースとしたユーザフレンドリなWebベースのツールをローンチし、電気予測のための統合AIプラットフォームであるeForecaster製品にすでに組み込んでいます。

関連論文リスト

• AI-Powered Predictions for Electricity Load in Prosumer Communities [0.0]
  本稿では,人工知能を用いた短期負荷予測手法を提案する。 その結果、(負荷予測タスクに適応した)持続的項と回帰的項の組み合わせは、最高の予測精度が得られることがわかった。
  論文  参考訳（メタデータ） (2024-02-21T12:23:09Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  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,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 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)
• Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
  我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。 我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。 この手法を現実のシナリオに適用するのは,私たちが初めてです。
  論文  参考訳（メタデータ） (2023-12-18T09:05:28Z)
• Analysis of Weather and Time Features in Machine Learning-aided ERCOT Load Forecasting [0.2184775414778289]
  本研究は,短期システム全体の総負荷を予測するための入力機能の一部として,さまざまな時間と天気情報を取得する機械学習(ML)モデルを開発する。 同じ地域の実際の負荷と過去の気象データを処理し、その後MLモデルのトレーニングに使用した。 ケーススタディでは、ESROT負荷予測のための異なる天候と時間入力特性で訓練されたMLモデルの有効性が実証された。
  論文  参考訳（メタデータ） (2023-10-13T00:46:12Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• SaDI: A Self-adaptive Decomposed Interpretable Framework for Electric Load Forecasting under Extreme Events [25.325870546140788]
  自己適応型分解解釈フレームワーク(SaDI)という新しい予測フレームワークを提案する。 中央中国の電力負荷と公共エネルギーの計器の実験により、提案されたSaDIフレームワークは平均22.14%の改善が達成された。
  論文  参考訳（メタデータ） (2023-06-14T07:11:30Z)
• Adaptive Probabilistic Forecasting of Electricity (Net-)Load [0.0]
  電力負荷予測は電力システム事業者や電力市場参加者にとって必要な能力である。 局所的な発電、需要応答、熱と輸送の電化は、電力負荷の基本的な要因を変えつつある。 我々は点予測よりも確率的と考えるが、実際、電気系統を効率的にかつ確実に運用するには不確実性が必要である。
  論文  参考訳（メタデータ） (2023-01-24T15:56:14Z)
• Comparative Analysis of Time Series Forecasting Approaches for Household Electricity Consumption Prediction [3.7458346891274013]
  データマイニングツールであるWekaを使用して、まず、Kaggleのデータサイエンスコミュニティから利用可能な、時間給と日給のエネルギー消費データセットのモデルを適用します。 第2に,大韓民国選択世帯の世帯エネルギー消費を天気データと無気象データを用いて予測するために,時系列予測モデルであるARIMAとVARをピソンに導入した。 以上の結果から,エネルギー消費予測の最良の方法は,多層パーセプトロンとガウスプロセス回帰に続く支持ベクトル回帰であることがわかった。
  論文  参考訳（メタデータ） (2022-07-03T12:16:54Z)
• Conditioned Human Trajectory Prediction using Iterative Attention Blocks [70.36888514074022]
  本研究では,都市環境における歩行者位置予測を目的とした,簡易かつ効果的な歩行者軌道予測モデルを提案する。 我々のモデルは、複数のアテンションブロックとトランスフォーマーを反復的に実行できるニューラルネットワークアーキテクチャである。 ソーシャルマスク, 動的モデル, ソーシャルプーリング層, 複雑なグラフのような構造を明示的に導入することなく, SoTAモデルと同等の結果が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-29T07:49:48Z)
• Physics-Informed Gaussian Process Regression for Probabilistic States Estimation and Forecasting in Power Grids [67.72249211312723]
  電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。 PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。 提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
  論文  参考訳（メタデータ） (2020-10-09T14:18:31Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。