論文の概要: Weather-Informed Probabilistic Forecasting and Scenario Generation in Power Systems

• arxiv url: http://arxiv.org/abs/2409.07637v1
• Date: Wed, 11 Sep 2024 21:44:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-13 18:21:43.818021
• Title: Weather-Informed Probabilistic Forecasting and Scenario Generation in Power Systems
• Title（参考訳）: 気象インフォームによる電力系統の確率予測とシナリオ生成
• Authors: Hanyu Zhang, Reza Zandehshahvar, Mathieu Tanneau, Pascal Van Hentenryck,
• Abstract要約: 再生可能エネルギー源の電力グリッドへの統合は、その本質性と不確実性のために大きな課題を呈している。 本稿では,高次元環境下での日頭予測と風のシナリオ生成のための確率予測とガウスコプラを組み合わせる手法を提案する。
• 参考スコア（独自算出の注目度）: 15.393565192962482
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of renewable energy sources (RES) into power grids presents significant challenges due to their intrinsic stochasticity and uncertainty, necessitating the development of new techniques for reliable and efficient forecasting. This paper proposes a method combining probabilistic forecasting and Gaussian copula for day-ahead prediction and scenario generation of load, wind, and solar power in high-dimensional contexts. By incorporating weather covariates and restoring spatio-temporal correlations, the proposed method enhances the reliability of probabilistic forecasts in RES. Extensive numerical experiments compare the effectiveness of different time series models, with performance evaluated using comprehensive metrics on a real-world and high-dimensional dataset from Midcontinent Independent System Operator (MISO). The results highlight the importance of weather information and demonstrate the efficacy of the Gaussian copula in generating realistic scenarios, with the proposed weather-informed Temporal Fusion Transformer (WI-TFT) model showing superior performance.
• Abstract（参考訳）: 再生可能エネルギー源(RES)の電力網への統合は、その内在的確率性と不確実性から重要な課題を示し、信頼性と効率的な予測のための新しい技術の開発を必要としている。 本稿では,高次元環境下での日頭予測と風力,太陽エネルギーのシナリオ生成のための確率予測とガウスコプラを組み合わせた手法を提案する。 気象共変量と時空間相関の復元により,RESの確率予測の信頼性を向上させる。 大規模数値実験は,MISO(Midcontinent Independent System Operator)による実世界および高次元データセットの総合的指標を用いて,異なる時系列モデルの有効性を比較検討した。 その結果,気象情報の重要性が強調され,現実的なシナリオを生成する上でガウシアン・コプラの有効性が示された。

関連論文リスト

• 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)
• 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)
• Deep Generative Methods for Producing Forecast Trajectories in Power Systems [0.0]
  トランスポート・システム・オペレーター(TSO)は、将来の電力系統の機能をシミュレートするための分析を行う必要がある。 これらのシミュレーションは意思決定プロセスの入力として使用される。
  論文  参考訳（メタデータ） (2023-09-26T14:43:01Z)
• SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
  不確かさの定量化は意思決定に不可欠である。 天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。 本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
  論文  参考訳（メタデータ） (2023-06-24T22:00:06Z)
• MATNet: Multi-Level Fusion Transformer-Based Model for Day-Ahead PV Generation Forecasting [0.47518865271427785]
  MATNetはPV発電予測のための新しい自己アテンショントランスフォーマーベースのアーキテクチャである。 これは、AIパラダイムとPV発電に関する以前の物理的知識を組み合わせたハイブリッドアプローチで構成されている。 その結果,提案アーキテクチャは現在の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-17T14:03:09Z)
• 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)
• Achieving an Accurate Random Process Model for PV Power using Cheap Data: Leveraging the SDE and Public Weather Reports [0.0]
  PV電力の正確なSDEモデルは、低解像度の公共天気予報からの安価なデータのみを使用することで構築できる。 提案手法は,最先端のディープラーニングに基づく時系列予測手法よりも優れている。
  論文  参考訳（メタデータ） (2021-11-27T04:34:02Z)
• 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)
• Energy Forecasting in Smart Grid Systems: A Review of the State-of-the-art Techniques [2.3436632098950456]
  本稿では,スマートグリッド(SG)システムの最先端予測手法について概説する。 統計学,機械学習(ML),深層学習(DL)などの従来の点予測手法について検討した。 ヴィクトリア朝の電力消費とアメリカの電力(AEP)の比較ケーススタディを行った。
  論文  参考訳（メタデータ） (2020-11-25T09:17:07Z)
• 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。