論文の概要: A Hybrid Autoencoder-Transformer Model for Robust Day-Ahead Electricity Price Forecasting under Extreme Conditions
- arxiv url: http://arxiv.org/abs/2511.06898v1
- Date: Mon, 10 Nov 2025 09:47:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-11 21:18:45.189842
- Title: A Hybrid Autoencoder-Transformer Model for Robust Day-Ahead Electricity Price Forecasting under Extreme Conditions
- Title（参考訳）: 極端条件下でのロバストデイアヘッド電力価格予測のためのハイブリッドオートエンコーダ変換器モデル
- Authors: Boyan Tang, Xuanhao Ren, Peng Xiao, Shunbo Lei, Xiaorong Sun, Jianghua Wu,
- Abstract要約: 本稿では,拡散注意変換器モデルとオートエンコーダ自己回帰モデルを統合した新しいハイブリッドディープラーニングフレームワークを提案する。
カリフォルニアと山東省でサンプリングされたデータセットの実験により、我々のフレームワークは予測精度、堅牢性、計算効率において最先端の手法を大幅に上回っていることが示された。
- 参考スコア（独自算出の注目度）: 2.2360725546624267
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate day-ahead electricity price forecasting (DAEPF) is critical for the efficient operation of power systems, but extreme condition and market anomalies pose significant challenges to existing forecasting methods. To overcome these challenges, this paper proposes a novel hybrid deep learning framework that integrates a Distilled Attention Transformer (DAT) model and an Autoencoder Self-regression Model (ASM). The DAT leverages a self-attention mechanism to dynamically assign higher weights to critical segments of historical data, effectively capturing both long-term trends and short-term fluctuations. Concurrently, the ASM employs unsupervised learning to detect and isolate anomalous patterns induced by extreme conditions, such as heavy rain, heat waves, or human festivals. Experiments on datasets sampled from California and Shandong Province demonstrate that our framework significantly outperforms state-of-the-art methods in prediction accuracy, robustness, and computational efficiency. Our framework thus holds promise for enhancing grid resilience and optimizing market operations in future power systems.
- Abstract（参考訳）: 電力系統の効率的な運用にはDAEPF(DAEPF)の正確な日頭電力価格予測が重要であるが、極端な状況と市場の異常が既存の予測手法に重大な課題をもたらす。
本稿では,DATモデルと自己回帰モデル(Autoencoder Self-Regression Model, ASM)を統合した新しいハイブリッドディープラーニングフレームワークを提案する。
DATは自己注意機構を利用して、過去の重要なデータセグメントに重みを動的に割り当て、長期的傾向と短期的変動の両方を効果的に捉えている。
同時に、ASMは教師なしの学習を用いて、激しい雨や熱波、人間の祭りなどの極端な状況によって引き起こされる異常パターンを検出し、隔離する。
カリフォルニアと山東省でサンプリングされたデータセットの実験により、我々のフレームワークは予測精度、堅牢性、計算効率において最先端の手法を大幅に上回っていることが示された。
この枠組みは,今後の電力系統におけるグリッドレジリエンスの強化と市場運用の最適化を約束する。
関連論文リスト
- COTN: A Chaotic Oscillatory Transformer Network for Complex Volatile Systems under Extreme Conditions [4.606846373731374]
金融・電気市場の正確な予測、特に極端な状況下では、依然として大きな課題である。
本稿では,新しいLeeアクティベーション機能を備えたChaoticy Transformer Network (COTN)を提案する。
COTNにはAutoencoder Self-Regressive (ASR)モジュールが組み込まれており、異常な市場パターンを検出して分離する。
われわれのアプローチは、Informerのような最先端のディープラーニングモデルを最大17%、GARCHのような従来の統計手法を最大17%上回っている。
論文 参考訳（メタデータ） (2025-11-09T08:17:19Z) - Adaptive Online Learning with LSTM Networks for Energy Price Prediction [0.5514902789425196]
本研究は,カリフォルニアのエネルギー市場における日頭電力価格の予測モデルの開発に焦点をあてる。
このモデルには、歴史的価格データ、気象条件、エネルギーの混合など、さまざまな特徴が含まれている。
その結果、カスタム損失関数はモデルの性能を向上し、予測値と実際の値がより密に一致できることが示されている。
論文 参考訳（メタデータ） (2025-10-19T15:48:38Z) - Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
Eucidated Rolling Diffusion Models (ERDM)を紹介する。
ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである
2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2025-06-24T21:44:31Z) - Enhanced Photovoltaic Power Forecasting: An iTransformer and LSTM-Based Model Integrating Temporal and Covariate Interactions [16.705621552594643]
既存のモデルは、しばしばターゲット変数と共変量の間の複雑な関係を捉えるのに苦労する。
対象変数からの特徴抽出にiTransformerを利用する新しいモデルアーキテクチャを提案する。
クロスアテンション機構は両方のモデルの出力を融合するために統合され、続いてコルモゴロフ・アルノルドネットワークマッピングが続く。
その結果, PV発電の季節変動を効果的に把握し, 予測精度を向上することが示唆された。
論文 参考訳（メタデータ） (2024-12-03T09:16:13Z) - Anomaly Detection in California Electricity Price Forecasting: Enhancing Accuracy and Reliability Using Principal Component Analysis [0.0]
本研究は,カリフォルニア州の電力網における電力価格予測の強化に焦点を当てた。
我々は,CAISOの時間的電力価格と2016-2021年の需要を分析し,日頭予測精度を向上させる。
論文 参考訳（メタデータ） (2024-11-25T20:55:25Z) - On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - 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) - Your Autoregressive Generative Model Can be Better If You Treat It as an
Energy-Based One [83.5162421521224]
本稿では,自己回帰生成モデルの学習のための独自のE-ARM法を提案する。
E-ARMは、よく設計されたエネルギーベースの学習目標を活用する。
我々は、E-ARMを効率的に訓練でき、露光バイアス問題を緩和できることを示した。
論文 参考訳（メタデータ） (2022-06-26T10:58:41Z) - 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) - No MCMC for me: Amortized sampling for fast and stable training of
energy-based models [62.1234885852552]
エネルギーベースモデル(EBM)は、不確実性を表す柔軟で魅力的な方法である。
本稿では,エントロピー規則化ジェネレータを用いてEMMを大規模に訓練し,MCMCサンプリングを記憶する簡単な方法を提案する。
次に、最近提案されたジョイント・エナジー・モデル(JEM)に推定器を適用し、元の性能と高速で安定したトレーニングとを一致させる。
論文 参考訳（メタデータ） (2020-10-08T19:17:20Z)
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。