論文の概要: On-line conformalized neural networks ensembles for probabilistic forecasting of day-ahead electricity prices

• arxiv url: http://arxiv.org/abs/2404.02722v1
• Date: Wed, 3 Apr 2024 13:22:47 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-04 17:21:13.391588
• Title: On-line conformalized neural networks ensembles for probabilistic forecasting of day-ahead electricity prices
• Title（参考訳）: 日頭電力価格の確率予測のためのオンライン共形ニューラルネットワークアンサンブル
• Authors: Alessandro Brusaferri, Andrea Ballarino, Luigi Grossi, Fabrizio Laurini,
• Abstract要約: 我々はPEPFに対する新しいアプローチを提案し、同型推論に基づく手法を用いて、アートニューラルネットワークのアンサンブルの手法を拡張した。 複数の市場地域で実験が行われ、昼の予測が達成され、時間帯のカバレッジが向上し、安定した確率的スコアが得られた。
• 参考スコア（独自算出の注目度）: 41.94295877935867
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Probabilistic electricity price forecasting (PEPF) is subject of increasing interest, following the demand for proper quantification of prediction uncertainty, to support the operation in complex power markets with increasing share of renewable generation. Distributional neural networks ensembles have been recently shown to outperform state of the art PEPF benchmarks. Still, they require critical reliability enhancements, as fail to pass the coverage tests at various steps on the prediction horizon. In this work, we propose a novel approach to PEPF, extending the state of the art neural networks ensembles based methods through conformal inference based techniques, deployed within an on-line recalibration procedure. Experiments have been conducted on multiple market regions, achieving day-ahead forecasts with improved hourly coverage and stable probabilistic scores.
• Abstract（参考訳）: 確率的電力価格予測(PEPF、probabilistic electric price forecasting)は、予測の不確実性の適切な定量化を要求され、再生可能エネルギーのシェアが増大する複雑な電力市場における運用を支援するため、関心が高まっている。 分散ニューラルネットワークのアンサンブルは、最近、最先端のPEPFベンチマークより優れていることが示されている。 それでも、予測の地平線上の様々なステップでカバレッジテストに合格できないため、重要な信頼性の強化が必要である。 本研究では,PEPF に対する新しいアプローチを提案する。この手法は,オンライン再校正手順内に展開される共形推論に基づく手法を用いて,最先端のニューラルネットワークのアンサンブルを拡張したものである。 複数の市場地域で実験が行われ、昼の予測が達成され、時間帯のカバレッジが向上し、安定した確率的スコアが得られた。

関連論文リスト

• Any-Quantile Probabilistic Forecasting of Short-Term Electricity Demand [8.068451210598678]
  電力システムは、決定論的に説明できない複数の要因から生じる不確実性の下で運用される。 ディープラーニングの最近の進歩は、ポイント予測の精度を大幅に向上させるのに役立っている。 任意の量子を予測できる分布予測のための新しい一般手法を提案する。
  論文  参考訳（メタデータ） (2024-04-26T14:43:19Z)
• Probabilistic Forecasting of Real-Time Electricity Market Signals via Interpretable Generative AI [41.99446024585741]
  Weak Innovation AutoEncoderをベースとしたGenerative Probabilistic ForecastingアーキテクチャであるWIAE-GPFを提案する。 構造収束を保証する新しい学習アルゴリズムを提案し、生成した予測サンプルが基底真理条件付き確率分布と一致することを保証した。
  論文  参考訳（メタデータ） (2024-03-09T00:41:30Z)
• 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)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Combining predictive distributions of electricity prices: Does minimizing the CRPS lead to optimal decisions in day-ahead bidding? [0.0]
  本研究では,新しい重み付け手法であるCRPS学習を用いることで,日頭入札における最適決定が導かれるかどうかを検討する。 アンサンブルの多様性の増大は精度に肯定的な影響を与える可能性がある。 分布の等重集約と比較してCRPS学習を使用する場合の計算コストは、高い利益によって相殺されない。
  論文  参考訳（メタデータ） (2023-08-29T17:10:38Z)
• Distributional neural networks for electricity price forecasting [0.0]
  確率的電力価格予測(EPF)に対する新しいアプローチを提案する。 EPFのための新しいネットワーク構造は、正規化分布多層パーセプトロン(DMLP)に基づいている このフレームワークを使用すると、ニューラルネットワークの出力は正規あるいは潜在的に歪んだジョンソンのSU(JSU)の分布として定義される。
  論文  参考訳（メタデータ） (2022-07-06T17:42:52Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
  本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。 我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。 実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
  論文  参考訳（メタデータ） (2021-05-25T14:35:46Z)
• 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)
• Probabilistic Load Forecasting Based on Adaptive Online Learning [7.373617024876726]
  本稿では,隠れマルコフモデルの適応型オンライン学習に基づく確率的負荷予測手法を提案する。 本稿では,理論的保証のある学習予測手法を提案し,その性能を複数のシナリオで実験的に評価する。 その結果,提案手法は様々なシナリオにおいて既存手法の性能を大幅に向上させることができることがわかった。
  論文  参考訳（メタデータ） (2020-11-30T12:02:26Z)

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。