論文の概要: Decision-Focused Learning Enhanced by Automated Feature Engineering for Energy Storage Optimisation

• arxiv url: http://arxiv.org/abs/2509.05772v1
• Date: Sat, 06 Sep 2025 16:54:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:03.703802
• Title: Decision-Focused Learning Enhanced by Automated Feature Engineering for Energy Storage Optimisation
• Title（参考訳）: エネルギー貯蔵最適化のための自動特徴工学による意思決定型学習
• Authors: Nasser Alkhulaifi, Ismail Gokay Dogan, Timothy R. Cargan, Alexander L. Bowler, Direnc Pekaslan, Nicholas J. Watson, Isaac Triguero,
• Abstract要約: 電力価格と需要を予測する小型データセットに適したAFE-DFLフレームワークを提案する。 提案手法の有効性を,イギリスにおける新しい不動産データセットで検証する。
• 参考スコア（独自算出の注目度）: 34.22325234182622
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Decision-making under uncertainty in energy management is complicated by unknown parameters hindering optimal strategies, particularly in Battery Energy Storage System (BESS) operations. Predict-Then-Optimise (PTO) approaches treat forecasting and optimisation as separate processes, allowing prediction errors to cascade into suboptimal decisions as models minimise forecasting errors rather than optimising downstream tasks. The emerging Decision-Focused Learning (DFL) methods overcome this limitation by integrating prediction and optimisation; however, they are relatively new and have been tested primarily on synthetic datasets or small-scale problems, with limited evidence of their practical viability. Real-world BESS applications present additional challenges, including greater variability and data scarcity due to collection constraints and operational limitations. Because of these challenges, this work leverages Automated Feature Engineering (AFE) to extract richer representations and improve the nascent approach of DFL. We propose an AFE-DFL framework suitable for small datasets that forecasts electricity prices and demand while optimising BESS operations to minimise costs. We validate its effectiveness on a novel real-world UK property dataset. The evaluation compares DFL methods against PTO, with and without AFE. The results show that, on average, DFL yields lower operating costs than PTO and adding AFE further improves the performance of DFL methods by 22.9-56.5% compared to the same models without AFE. These findings provide empirical evidence for DFL's practical viability in real-world settings, indicating that domain-specific AFE enhances DFL and reduces reliance on domain expertise for BESS optimisation, yielding economic benefits with broader implications for energy management systems facing similar challenges.
• Abstract（参考訳）: エネルギー管理の不確実性の下での意思決定は、特にバッテリ・エナジー・ストレージ・システム(BESS)の運用において、最適な戦略を妨げる未知のパラメータによって複雑である。 Predict-Then-Optimise (PTO) アプローチでは、予測と最適化を別々のプロセスとして扱うことで、予測エラーを最適化するよりも予測エラーを最小化するモデルとして、最適下決定にカスケードすることができる。 新たなDFL(Decision-Focused Learning)手法は、予測と最適化を統合することで、この制限を克服するが、これらは比較的新しいものであり、主に合成データセットや小規模な問題でテストされ、実用可能性の限定的な証拠となっている。 実世界のBESSアプリケーションは、コレクションの制約と運用上の制限により、より大きなばらつきとデータの不足など、さらなる課題を提示している。 これらの課題のため、この研究は自動特徴工学(AFE)を活用し、よりリッチな表現を抽出し、DFLの初期段階のアプローチを改善する。 電力価格と需要を予測し、BESS操作を最適化してコストを最小化する小型データセットに適したAFE-DFLフレームワークを提案する。 提案手法の有効性を,イギリスにおける新しい不動産データセットで検証する。 評価はPTOに対するDFL法とAFEの有無を比較した。 その結果、DFLは平均してPTOよりも動作コストが低く、AFEを付加することで、AFEのない同じモデルと比較して、DFL法の性能が22.9-56.5%向上することがわかった。 これらの結果は,DFLの現実的な実現可能性を示す実証的な証拠であり,ドメイン固有のAFEはDFLを強化し,BESS最適化におけるドメインの専門知識への依存を減らし,同様の課題に直面したエネルギー管理システムに広範な影響をもたらすことを示唆している。

関連論文リスト

• A Simple and Effective Reinforcement Learning Method for Text-to-Image Diffusion Fine-tuning [61.403275660120606]
  強化学習(Reinforcement Learning, RL)に基づく微調整は, 拡散モデルとブラックボックスの目的を整合させる強力なアプローチとして登場した。 拡散微調整のための新しいRLであるLOOP(Left-one-out PPO)を提案する。 以上の結果から, LOOPは様々なブラックボックス対象の拡散モデルを効果的に改善し, 計算効率と性能のバランスを良くすることを示す。
  論文  参考訳（メタデータ） (2025-03-02T13:43:53Z)
• Gen-DFL: Decision-Focused Generative Learning for Robust Decision Making [48.62706690668867]
  意思決定型生成学習(Gen-DFL)は、生成モデルを利用して不確実性を適応的にモデル化し、意思決定品質を向上させる新しいフレームワークである。 本論文は,Gen-DFLが従来のDFLと比較して,最悪の性能バウンダリを改善できることを理論的に示す。
  論文  参考訳（メタデータ） (2025-02-08T06:52:11Z)
• A Green Multi-Attribute Client Selection for Over-The-Air Federated Learning: A Grey-Wolf-Optimizer Approach [5.277822313069301]
  OTA(Over-the-air)FLは、デバイス間直接接続や集中型サーバを使わずにモデルアップデートを広めることによって、これらの課題に対処するために導入された。 OTA-FLは、エネルギー消費の増大とネットワーク遅延の制限を引き起こした。 本稿では,グレイオオカミ(GWO)を用いた多属性クライアント選択フレームワークを提案し,各ラウンドの参加者数を戦略的に制御する。
  論文  参考訳（メタデータ） (2024-09-16T20:03:57Z)
• End-to-End Learning for Fair Multiobjective Optimization Under Uncertainty [55.04219793298687]
  機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。 本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。 この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2024-02-12T16:33:35Z)
• On the Robustness of Decision-Focused Learning [0.0]
  決定焦点学習(Decision-Focused Learning, DFL)は、機械学習(ML)モデルを訓練し、不完全な最適化問題の欠落パラメータを予測するための新興学習パラダイムである。 DFLは、予測と最適化タスクを統合することで、エンドツーエンドシステムでMLモデルをトレーニングし、トレーニングとテストの目的の整合性を向上させる。
  論文  参考訳（メタデータ） (2023-11-28T04:34:04Z)
• Decision-Focused Learning: Foundations, State of the Art, Benchmark and Future Opportunities [46.100825429034266]
  決定中心学習(DFL)は、機械学習(ML)と制約付き最適化を統合し、意思決定品質を向上させる新興パラダイムである。 本稿では,MLと制約付き最適化を組み合わせた勾配法と勾配法の両方を詳細に解析する。
  論文  参考訳（メタデータ） (2023-07-25T15:17:31Z)
• AnycostFL: Efficient On-Demand Federated Learning over Heterogeneous Edge Devices [20.52519915112099]
  我々はAny CostFLというコスト調整可能なFLフレームワークを提案し、多様なエッジデバイスがローカル更新を効率的に実行できるようにする。 実験結果から,我々の学習フレームワークは,適切なグローバルテスト精度を実現するために,トレーニング遅延とエネルギー消費の最大1.9倍の削減が可能であることが示唆された。
  論文  参考訳（メタデータ） (2023-01-08T15:25:55Z)

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。