論文の概要: Forecasting Electricity Market Signals via Generative AI
- arxiv url: http://arxiv.org/abs/2403.05743v4
- Date: Fri, 28 Jun 2024 03:17:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-01 21:34:45.962577
- Title: Forecasting Electricity Market Signals via Generative AI
- Title(参考訳): ジェネレーティブAIによる電力市場信号の予測
- Authors: Xinyi Wang, Qing Zhao, Lang Tong,
- Abstract要約: 本稿では,電気市場信号の確率予測のための生成人工知能アプローチを提案する。
非パラメトリック時系列のWiener-Kallianpur革新表現に触発されて、弱いイノベーションオートエンコーダアーキテクチャと新しいディープラーニングアルゴリズムを提案する。
提案手法の有効性は, 理想的な訓練条件下では, 生成したサンプルが基底真理と同じ条件付き確率分布を持つことを証明することによって確立される。
- 参考スコア(独自算出の注目度): 41.99446024585741
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a generative artificial intelligence approach to probabilistic forecasting of electricity market signals, such as real-time locational marginal prices and area control error signals. Inspired by the Wiener-Kallianpur innovation representation of nonparametric time series, we propose a weak innovation autoencoder architecture and a novel deep learning algorithm that extracts the canonical independent and identically distributed innovation sequence of the time series, from which samples of future time series are generated. The validity of the proposed approach is established by proving that, under ideal training conditions, the generated samples have the same conditional probability distribution as that of the ground truth. Three applications involving highly dynamic and volatile time series in real-time market operations are considered: (i) locational marginal price forecasting for self-scheduled resources such as battery storage participants, (ii) interregional price spread forecasting for virtual bidders in interchange markets, and (iii) area control error forecasting for frequency regulations. Numerical studies based on market data from multiple independent system operators demonstrate the superior performance of the proposed generative forecaster over leading classical and modern machine learning techniques under both probabilistic and point forecasting metrics.
- Abstract(参考訳): 本稿では,電力市場信号の確率予測のための生成的人工知能アプローチを提案する。
非パラメトリック時系列のWiener-Kallianpur革新表現にインスパイアされた、弱いイノベーションオートエンコーダアーキテクチャと、将来の時系列のサンプルを生成する時系列の標準独立かつ同一に分散されたイノベーションシーケンスを抽出する新しいディープラーニングアルゴリズムを提案する。
提案手法の有効性は, 理想的な訓練条件下では, 生成したサンプルが基底真理と同じ条件付き確率分布を持つことを証明することによって確立される。
リアルタイム市場運用における動的・揮発性時系列の3つの応用について考察する。
一 蓄電池等の自己予定資源の位置的限界価格予測
二 為替市場における仮想入札者の地域間価格スプレッド予測
三 周波数規制のエリア制御誤差予測
複数の独立系オペレーターの市場データに基づく数値的研究は、確率的および点予測の両指標の下で、古典的および近代的な機械学習手法を先導するよりも、提案した生成予測器の優れた性能を示す。
関連論文リスト
- ROLCH: Regularized Online Learning for Conditional Heteroskedasticity [0.0]
大規模ストリーミングデータは、現代の機械学習アプリケーションで一般的である。
条件付きヘテロスケダスティック性に対する正規化線形分布モデルのオンライン推定手法を提案する。
我々のアルゴリズムは計算効率のよいPythonパッケージで実装されている。
論文 参考訳(メタデータ) (2024-06-26T16:04:49Z) - Generative Probabilistic Time Series Forecasting and Applications in
Grid Operations [47.19756484695248]
生成確率予測は、過去の時系列観測で与えられた条件付き確率分布に基づいて、将来の時系列サンプルを生成する。
本稿では、独立かつ同一に分散したイノベーションシーケンスを抽出する、弱いイノベーションオートエンコーダアーキテクチャと学習アルゴリズムを提案する。
弱いイノベーションシーケンスはベイズ的であり、弱イノベーションオートエンコーダが生成確率予測のための標準アーキテクチャとなることを示す。
論文 参考訳(メタデータ) (2024-02-21T15:23:21Z) - Non-parametric Probabilistic Time Series Forecasting via Innovations
Representation [29.255644836978956]
確率的時系列予測は、過去の実現後の時間における時系列の条件付き確率分布を予測する。
既存のアプローチは主にパラメトリックまたは半パラメトリックの時系列モデルに基づいており、制限があり、検証が困難であり、様々な条件に適応することが困難である。
本論文では,Norbert Wiener と Gopinath Kallianpur の先駆的なエムイノベーションの古典的概念に基づく非パラメトリック手法を提案する。
論文 参考訳(メタデータ) (2023-06-05T02:24:59Z) - Bayesian Bilinear Neural Network for Predicting the Mid-price Dynamics
in Limit-Order Book Markets [84.90242084523565]
伝統的な時系列計量法は、価格力学を駆動する多層相互作用の真の複雑さを捉えることができないことが多い。
最先端の2次最適化アルゴリズムを採用することで、時間的注意を払ってベイジアン双線形ニューラルネットワークを訓練する。
予測分布を用いて推定パラメータとモデル予測に関連する誤差や不確実性を解析することにより、ベイズモデルと従来のML代替品を徹底的に比較する。
論文 参考訳(メタデータ) (2022-03-07T18:59:54Z) - Probabilistic Forecasting with Generative Networks via Scoring Rule
Minimization [5.5643498845134545]
生成ニューラルネットワークを用いて高次元空間上の分布をパラメトリズする。
生成ネットワークをトレーニングし、関心の現象の時間的シーケンスの記録に基づいて、予測順序(または前順序)のスコアリングルールを最小化する。
本手法は,特に確率的キャリブレーションにおいて,最先端の対角法よりも優れている。
論文 参考訳(メタデータ) (2021-12-15T15:51:12Z) - 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) - Learning the Gap in the Day-Ahead and Real-Time Locational Marginal
Prices in the Electricity Market [0.0]
機械学習アルゴリズムとディープニューラルネットワークは、日頭電気市場とリアルタイム電気市場の間の価格差の値を予測するために使用される。
提案手法を評価し,ニューラルネットワークはギャップの正確な値を予測できる有望な結果を示した。
論文 参考訳(メタデータ) (2020-12-23T16:49:24Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳(メタデータ) (2020-10-27T17:54:12Z) - 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。