論文の概要: Probabilistic energy forecasting through quantile regression in reproducing kernel Hilbert spaces

• arxiv url: http://arxiv.org/abs/2408.04405v3
• Date: Mon, 16 Sep 2024 14:30:14 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-18 00:56:51.357164
• Title: Probabilistic energy forecasting through quantile regression in reproducing kernel Hilbert spaces
• Title（参考訳）: 再生核ヒルベルト空間における量子レグレッションによる確率エネルギー予測
• Authors: Luca Pernigo, Rohan Sen, Davide Baroli,
• Abstract要約: 本研究では、エネルギー予測のために、カーネル量子レグレッション(カーネル量子レグレッション)として知られる、エンフレ生成カーネルヒルベルト空間(RKHS)に基づく非パラメトリック手法について検討する。 実験では信頼性とシャープさを実証し,最先端の手法と比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate energy demand forecasting is crucial for sustainable and resilient energy development. To meet the Net Zero Representative Concentration Pathways (RCP) $4.5$ scenario in the DACH countries, increased renewable energy production, energy storage, and reduced commercial building consumption are needed. This scenario's success depends on hydroelectric capacity and climatic factors. Informed decisions require quantifying uncertainty in forecasts. This study explores a non-parametric method based on \emph{reproducing kernel Hilbert spaces (RKHS)}, known as kernel quantile regression, for energy prediction. Our experiments demonstrate its reliability and sharpness, and we benchmark it against state-of-the-art methods in load and price forecasting for the DACH region. We offer our implementation in conjunction with additional scripts to ensure the reproducibility of our research.
• Abstract（参考訳）: 正確なエネルギー需要予測は持続的で回復力のあるエネルギー開発に不可欠である。 DACH諸国におけるネットゼロ代表集中経路(RCP)の4.5ドルのシナリオを満たすためには、再生可能エネルギー生産の増加、エネルギー貯蔵、商業建築の消費の削減が必要である。 このシナリオの成功は、水力発電能力と気候要因に依存する。 インフォームド決定は予測の不確実性を定量化する必要がある。 本研究では、エネルギー予測のためにカーネル量子レグレッション(カーネル量子レグレッション)として知られる \emph{re producer kernel Hilbert space (RKHS) に基づく非パラメトリック手法を探索する。 本実験は信頼性とシャープさを実証し,DACH領域の負荷および価格予測における最先端手法と比較した。 我々は、我々の研究の再現性を確保するために、追加のスクリプトと共に実装を提供します。

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)
• 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)
• An Energy-Based Prior for Generative Saliency [62.79775297611203]
  本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。 生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。 実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
  論文  参考訳（メタデータ） (2022-04-19T10:51:00Z)
• 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)
• A Probabilistic Forecast-Driven Strategy for a Risk-Aware Participation in the Capacity Firming Market [30.828362290032935]
  本稿では,グリッド接続型再生可能発電プラントとキャパシティホルディング市場における蓄電池装置のエネルギー管理について述べる。 近年開発された「正規化フロー」と呼ばれる深層学習モデルを用いて再生可能生成の定量的予測を生成する。
  論文  参考訳（メタデータ） (2021-05-28T13:13:07Z)
• 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)
• 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)
• Short-term prediction of photovoltaic power generation using Gaussian process regression [3.8386504037654534]
  本稿は,英国におけるPVシステムによるエネルギーの予測に焦点をあてる。 モデルは3つの主要な要因に対して48時間の短期予測で評価される。 また、予測期間内でのクラウドカバレッジと、予測者としての最初のクラウドカバレッジについて、非常に短期的な予測を比較します。
  論文  参考訳（メタデータ） (2020-10-05T18:35:25Z)
• Comprehensive forecasting based analysis using stacked stateless and stateful Gated Recurrent Unit models [0.0]
  太陽光発電は再生可能エネルギー源であり、産業で広く利用されている。 経済的に苦しむ国では、他の再生不可能な資源が既に枯渇しているため、エネルギーの潜在的な供給源となる可能性がある。 本稿は、西ベンガルの3つの地域と、GRU(Gated Recurrent Unit)モデルを用いた外部の4つの地域における太陽放射の予測について検討する。
  論文  参考訳（メタデータ） (2020-08-12T21:13:16Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。