論文の概要: Explainability-Driven Feature Engineering for Mid-Term Electricity Load Forecasting in ERCOT's SCENT Region

• arxiv url: http://arxiv.org/abs/2507.22220v1
• Date: Tue, 29 Jul 2025 20:36:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-31 16:14:17.866929
• Title: Explainability-Driven Feature Engineering for Mid-Term Electricity Load Forecasting in ERCOT's SCENT Region
• Title（参考訳）: ERCOTのSCENT領域における中長期電力負荷予測のための説明可能性駆動機能工学
• Authors: Abhiram Bhupatiraju, Sung Bum Ahn,
• Abstract要約: 本稿では,システム全体の電力負荷を1年前まで予測する機械学習モデルの比較分析を行う。 本稿では,モデル説明可能性を改善するために,「共有付加説明法(Shapley Additive Explanations, SHAP)」と呼ばれる手法を用いることに焦点をあてる。
• 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 load forecasting is essential to the operation of modern electric power systems. Given the sensitivity of electricity demand to weather variability and temporal dynamics, capturing non-linear patterns is essential for long-term planning. This paper presents a comparative analysis of machine learning models, Linear Regression, XGBoost, LightGBM, and Long Short-Term Memory (LSTM), for forecasting system-wide electricity load up to one year in advance. Midterm forecasting has shown to be crucial for maintenance scheduling, resource allocation, financial forecasting, and market participation. The paper places a focus on the use of a method called "Shapley Additive Explanations" (SHAP) to improve model explainability. SHAP enables the quantification of feature contributions, guiding informed feature engineering and improving both model transparency and forecasting accuracy.
• Abstract（参考訳）: 現代の電力システムの運用には、正確な負荷予測が不可欠である。 気象変動や時間変動に対する電力需要の敏感さを考えると、長期計画には非線形パターンの捕捉が不可欠である。 本稿では,機械学習モデル,線形回帰,XGBoost,LightGBM,Long Short-Term Memory(LSTM)の比較分析を行い,システム全体の電力負荷を1年前まで予測する。 中期予測は、メンテナンスのスケジューリング、資源配分、財務予測、市場参加に不可欠であることが示されている。 本稿では,モデル説明可能性を改善するために,「共有付加説明法(Shapley Additive Explanations, SHAP)」と呼ばれる手法を用いることに焦点をあてる。 SHAPは、機能コントリビューションの定量化、情報機能エンジニアリングの指導、モデルの透明性と予測精度の改善を可能にする。

関連論文リスト

• Short-Term Power Demand Forecasting for Diverse Consumer Types to Enhance Grid Planning and Synchronisation [0.0]
  本研究は, 産業, 商業, 住宅消費者の差別化による正確な予測の必要性に対処するものである。 短時間負荷予測(STLF)と短時間負荷予測(VSTLF)のためのAIおよび機械学習アルゴリズムを探索し比較した。
  論文  参考訳（メタデータ） (2025-06-04T12:01:11Z)
• IISE PG&E Energy Analytics Challenge 2025: Hourly-Binned Regression Models Beat Transformers in Load Forecasting [0.0]
  本研究では,古典的回帰手法から高度なディープラーニングアーキテクチャに至るまで,予測モデルを評価する。 このデータセットには、過去2年間の電力負荷データと、5つの場所にわたる温度およびグローバル水平照射(GHI)が含まれている。 その結果、TimeGPTを含むディープラーニングモデルは、より単純な統計的および機械学習アプローチを一貫して上回りません。
  論文  参考訳（メタデータ） (2025-05-16T15:55:34Z)
• Load Forecasting in the Era of Smart Grids: Opportunities and Advanced Machine Learning Models [0.0]
  電力の貯蔵は困難であり、発電、送電、配電をより厳格に制御する必要がある。 本論文では,短期負荷予測のための4つの機械学習フレームワークについて検討・評価する。 さらに、Long Short Term Memory(LSTM)ネットワークとGated Recurrent Units(GRU)という2つのリカレントニューラルネットワークアーキテクチャを設計、実装している。
  論文  参考訳（メタデータ） (2025-05-14T09:19:47Z)
• From Dense to Sparse: Event Response for Enhanced Residential Load Forecasting [48.22398304557558]
  住宅負荷予測のためのイベント応答型知識ガイド手法(ERKG)を提案する。 ERKGは、異なる家電の電力使用状況の推定、負荷系列からのイベント関連スパース知識のマイニングを取り入れている。
  論文  参考訳（メタデータ） (2025-01-06T05:53:38Z)
• Efficient mid-term forecasting of hourly electricity load using generalized additive models [0.0]
  本稿では,解釈可能なP-スプラインから構築したGAMを用いた新しい予測手法を提案する。 提案手法は,9年以上にわたる欧州24カ国の負荷データを用いて評価した。
  論文  参考訳（メタデータ） (2024-05-27T11:41:41Z)
• 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)
• 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)
• 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。