論文の概要: Explainable Modeling for Wind Power Forecasting: A Glass-Box Approach with High Accuracy

• arxiv url: http://arxiv.org/abs/2310.18629v2
• Date: Mon, 26 Feb 2024 08:34:40 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-28 00:30:33.091146
• Title: Explainable Modeling for Wind Power Forecasting: A Glass-Box Approach with High Accuracy
• Title（参考訳）: 風力発電予測のための説明可能なモデリング:高精度ガラス箱アプローチ
• Authors: Wenlong Liao, Fernando Porte-Agel, Jiannong Fang, Birgitte Bak-Jensen, Guangchun Ruan, Zhe Yang
• Abstract要約: 本稿では,風力予測における高精度と透明性を組み合わせたガラスボックス手法を提案する。 提案手法は, 風力予測の結果を, 地球とインスタンスの両方の観点から効果的に解釈する。
• 参考スコア（独自算出の注目度）: 42.640766130080415
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Machine learning models (e.g., neural networks) achieve high accuracy in wind power forecasting, but they are usually regarded as black boxes that lack interpretability. To address this issue, the paper proposes a glass-box approach that combines high accuracy with transparency for wind power forecasting. Specifically, the core is to sum up the feature effects by constructing shape functions, which effectively map the intricate non-linear relationships between wind power output and input features. Furthermore, the forecasting model is enriched by incorporating interaction terms that adeptly capture interdependencies and synergies among the input features. The additive nature of the proposed glass-box approach ensures its interpretability. Simulation results show that the proposed glass-box approach effectively interprets the results of wind power forecasting from both global and instance perspectives. Besides, it outperforms most benchmark models and exhibits comparable performance to the best-performing neural networks. This dual strength of transparency and high accuracy positions the proposed glass-box approach as a compelling choice for reliable wind power forecasting.
• Abstract（参考訳）: 機械学習モデル(例えばニューラルネットワーク)は風力発電予測において高い精度を達成するが、通常は解釈不可能なブラックボックスと見なされる。 この問題に対処するため,風力予測のための高精度と透明性を組み合わせたガラスボックス手法を提案する。 具体的には、風力出力と入力特徴の複雑な非線形関係を効果的にマッピングする形状関数を構築することで、特徴効果を総括する。 さらに、入力特徴間の相互依存や相乗関係を適切にキャプチャする相互作用項を組み込むことにより、予測モデルが強化される。 ガラスボックスアプローチの添加性は、その解釈可能性を保証する。 シミュレーションの結果,提案手法は風力予測の結果を大域的および実例的に効果的に解釈できることがわかった。 さらに、ほとんどのベンチマークモデルを上回っ、最高のパフォーマンスのニューラルネットワークに匹敵するパフォーマンスを示す。 この透明性と高精度の二重強度は、信頼できる風力予測のための魅力的な選択として提案されたガラスボックスアプローチを位置づけている。

関連論文リスト

• Improving Network Interpretability via Explanation Consistency Evaluation [56.14036428778861]
  本稿では、より説明可能なアクティベーションヒートマップを取得し、同時にモデル性能を向上させるフレームワークを提案する。 具体的には、モデル学習において、トレーニングサンプルを適応的に重み付けするために、新しいメトリクス、すなわち説明整合性を導入する。 そこで,本フレームワークは,これらのトレーニングサンプルに深い注意を払ってモデル学習を促進する。
  論文  参考訳（メタデータ） (2024-08-08T17:20:08Z)
• Improving the Accuracy and Interpretability of Neural Networks for Wind Power Forecasting [42.640766130080415]
  本稿ではまず,簡単な3重最適化手法(TriOpts)を提案する。 次に、DNNの予測動作を解釈するために、置換特徴重要度(PFI)と局所解釈モデル非依存的説明(LIME)技術を提案する。
  論文  参考訳（メタデータ） (2023-12-25T14:29:09Z)
• Forte: An Interactive Visual Analytic Tool for Trust-Augmented Net Load Forecasting [0.6144680854063939]
  本稿では,様々な入力変数にまたがる深い確率的ネット負荷予測モデルを探索する,視覚解析に基づくアプリケーションForteを提案する。 本稿では,Forteを用いた観測結果について論じ,気象入力とネット負荷予測との相関関係について,可視化手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-11-10T22:15:11Z)
• Prediction of wind turbines power with physics-informed neural networks and evidential uncertainty quantification [2.126171264016785]
  物理インフォームドニューラルネットワークを用いて、風力発電所の4基のタービンから得られた履歴データを再現する。 パワー, トルク, パワー係数の回帰モデルでは, 実データ, 物理式ともに精度が高いことがわかった。
  論文  参考訳（メタデータ） (2023-07-27T07:58:38Z)
• End-to-end Wind Turbine Wake Modelling with Deep Graph Representation Learning [7.850747042819504]
  本研究は,グラフニューラルネットワークと呼ばれるグラフ表現学習法に基づいて,風力タービンウェイクの表現のための代理モデルを提案する。 提案するエンドツーエンドディープラーニングモデルは、非構造化メッシュ上で直接動作し、高忠実度データに対して検証されている。 実世界の風力発電所に基づくケーススタディでは,提案手法による大規模発電予測の可能性をさらに実証する。
  論文  参考訳（メタデータ） (2022-11-24T15:00:06Z)
• Learning Generative Vision Transformer with Energy-Based Latent Space for Saliency Prediction [51.80191416661064]
  本稿では,有意な物体検出に先立って,潜伏変数を持つ新しい視覚変換器を提案する。 ビジョントランスネットワークとエネルギーベース先行モデルの両方は、マルコフ連鎖モンテカルロによる最大推定を通じて共同で訓練される。 生成型視覚変換器により、画像から容易に画素単位の不確実性マップを得ることができ、画像から唾液濃度を予測するためのモデル信頼度を示す。
  論文  参考訳（メタデータ） (2021-12-27T06:04:33Z)
• Measuring Wind Turbine Health Using Drifting Concepts [55.87342698167776]
  風力タービンの健全性解析のための2つの新しい手法を提案する。 第1の方法は、比較的高低電力生産の減少または増加を評価することを目的とする。 第2の方法は抽出された概念の全体的ドリフトを評価する。
  論文  参考訳（メタデータ） (2021-12-09T14:04:55Z)
• An Interpretable Probabilistic Model for Short-Term Solar Power Forecasting Using Natural Gradient Boosting [0.0]
  本稿では,高精度で信頼性が高く,鋭い予測を生成できる2段階確率予測フレームワークを提案する。 このフレームワークは、ポイント予測と予測間隔(PI)の両方について完全な透明性を提供する。 提案フレームワークの性能と適用性を強調するため,南ドイツにある2つのPV公園の実際のデータを用いている。
  論文  参考訳（メタデータ） (2021-08-05T12:59:38Z)
• Generative Counterfactuals for Neural Networks via Attribute-Informed Perturbation [51.29486247405601]
  AIP(Attribute-Informed Perturbation)の提案により,生データインスタンスの反事実を生成するフレームワークを設計する。 異なる属性を条件とした生成モデルを利用することで、所望のラベルとの反事実を効果的かつ効率的に得ることができる。 実世界のテキストや画像に対する実験結果から, 設計したフレームワークの有効性, サンプル品質, および効率が示された。
  論文  参考訳（メタデータ） (2021-01-18T08:37:13Z)
• 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。