論文の概要: PowerMamba: A Deep State Space Model and Comprehensive Benchmark for Time Series Prediction in Electric Power Systems

• arxiv url: http://arxiv.org/abs/2412.06112v1
• Date: Mon, 09 Dec 2024 00:23:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-10 14:52:25.080453
• Title: PowerMamba: A Deep State Space Model and Comprehensive Benchmark for Time Series Prediction in Electric Power Systems
• Title（参考訳）: PowerMamba: 電力システムの深部状態空間モデルと時系列予測のための総合ベンチマーク
• Authors: Ali Menati, Fatemeh Doudi, Dileep Kalathil, Le Xie,
• Abstract要約: 予測結果と実際のグリッド結果のギャップを埋めるために時系列予測モデルが必要である。 従来の状態空間モデルと深層学習を組み合わせた多変量時系列予測モデルを提案する。 5年間の負荷、電力価格、アシラリーサービス価格、再生可能エネルギー生成にまたがるデータセットをリリースする。
• 参考スコア（独自算出の注目度）: 6.516425351601512
• License:
• Abstract: The electricity sector is undergoing substantial transformations due to the rising electrification of demand, enhanced integration of renewable energy resources, and the emergence of new technologies. These changes are rendering the electric grid more volatile and unpredictable, making it difficult to maintain reliable operations. In order to address these issues, advanced time series prediction models are needed for closing the gap between the forecasted and actual grid outcomes. In this paper, we introduce a multivariate time series prediction model that combines traditional state space models with deep learning methods to simultaneously capture and predict the underlying dynamics of multiple time series. Additionally, we design a time series processing module that incorporates high-resolution external forecasts into sequence-to-sequence prediction models, achieving this with negligible increases in size and no loss of accuracy. We also release an extended dataset spanning five years of load, electricity price, ancillary service price, and renewable generation. To complement this dataset, we provide an open-access toolbox that includes our proposed model, the dataset itself, and several state-of-the-art prediction models, thereby creating a unified framework for benchmarking advanced machine learning approaches. Our findings indicate that the proposed model outperforms existing models across various prediction tasks, improving state-of-the-art prediction error by an average of 7% and decreasing model parameters by 43%.
• Abstract（参考訳）: 電力部門は、需要の電化、再生可能エネルギー資源の統合の強化、新技術の出現などにより、実質的な転換が進んでいる。 これらの変更により、電力網は不安定で予測不能になり、信頼性の高い運転を維持するのが困難になる。 これらの問題に対処するためには、予測されたグリッド結果と実際のグリッド結果とのギャップを埋めるために、高度な時系列予測モデルが必要である。 本稿では,従来の状態空間モデルとディープラーニングを組み合わせた多変量時系列予測モデルを提案する。 さらに,高分解能な外部予測をシーケンス・ツー・シーケンス予測モデルに組み込んだ時系列処理モジュールを設計する。 また、負荷5年、電力価格、アシラリーサービス価格、再生可能エネルギー生成にまたがるデータセットもリリースしました。 このデータセットを補完するために、提案したモデル、データセット自身、およびいくつかの最先端予測モデルを含むオープンアクセスツールボックスを提供し、高度な機械学習アプローチをベンチマークするための統一されたフレームワークを作成する。 その結果,提案手法は様々な予測タスクにおいて既存モデルよりも優れ,平均7%,モデルパラメータが43%向上した。

関連論文リスト

• Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
  時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。 既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。 本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
  論文  参考訳（メタデータ） (2024-11-24T04:56:45Z)
• Integrating the Expected Future: Schedule Based Energy Forecasting [6.675805308519987]
  電力グリッド演算子は、極端なエラーのケースを最小限に抑えるために、正確で信頼性の高いエネルギー予測に依存している。 計画情報の導入は、予測の正確性と特異性を大幅に向上させる可能性がある。 提案手法は,全国の鉄道エネルギー消費の予測精度を有意に向上させる。
  論文  参考訳（メタデータ） (2024-08-26T12:32:40Z)
• Predictive Churn with the Set of Good Models [64.05949860750235]
  近似機械学習モデルの集合に対する競合予測の効果について検討する。 ラーショモン集合内のモデル間の係り受けに関する理論的結果を示す。 当社のアプローチは、コンシューマ向けアプリケーションにおいて、より予測し、削減し、混乱を避けるためにどのように使用できるかを示します。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• FengWu-4DVar: Coupling the Data-driven Weather Forecasting Model with 4D Variational Assimilation [67.20588721130623]
  我々は,AIを用いた循環型天気予報システムFengWu-4DVarを開発した。 FengWu-4DVarは観測データをデータ駆動の天気予報モデルに組み込むことができる。 シミュレーションされた観測データセットの実験は、FengWu-4DVarが合理的な解析場を生成することができることを示した。
  論文  参考訳（メタデータ） (2023-12-16T02:07:56Z)
• Non-autoregressive Conditional Diffusion Models for Time Series Prediction [3.9722979176564763]
  TimeDiffは、高品質な時系列予測を実現する非自己回帰拡散モデルである。 我々はTimeDiffが既存の時系列拡散モデルより一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2023-06-08T08:53:59Z)
• Frugal day-ahead forecasting of multiple local electricity loads by aggregating adaptive models [0.0]
  フランスにおける配電網の変電所の日頭電力負荷予測に着目する。 そこで我々は,パラメータの数を削減し,伝達学習を実現するフラジカル変種を開発した。 私たちは、運用アプリケーションにとって重要なモデルの解釈可能性を強調します。
  論文  参考訳（メタデータ） (2023-02-16T10:17:19Z)
• Back2Future: Leveraging Backfill Dynamics for Improving Real-time Predictions in Future [73.03458424369657]
  公衆衛生におけるリアルタイム予測では、データ収集は簡単で要求の多いタスクである。 過去の文献では「バックフィル」現象とそのモデル性能への影響についてはほとんど研究されていない。 我々は、与えられたモデルの予測をリアルタイムで洗練することを目的とした、新しい問題とニューラルネットワークフレームワークBack2Futureを定式化する。
  論文  参考訳（メタデータ） (2021-06-08T14:48:20Z)
• 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)
• Forecasting Photovoltaic Power Production using a Deep Learning Sequence to Sequence Model with Attention [0.0]
  本稿では,PV発電のエンド・ツー・エンド予測のための教師付きディープラーニングモデルを提案する。 提案モデルは2つの基本概念に基づいており、他のシーケンス関連分野の大幅な性能向上につながった。 その結果、新しい設計は、PV電力予測技術の現在の状態以上で実行可能であることがわかった。
  論文  参考訳（メタデータ） (2020-08-06T17:20:08Z)

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。