論文の概要: Calibrated uncertainty quantification for prosumer flexibility aggregation in ancillary service markets

• arxiv url: http://arxiv.org/abs/2601.14663v1
• Date: Wed, 21 Jan 2026 05:21:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-22 21:27:50.240652
• Title: Calibrated uncertainty quantification for prosumer flexibility aggregation in ancillary service markets
• Title（参考訳）: 補助サービス市場におけるプロサスタフレキシビリティアグリゲーションの校正不確実性定量化
• Authors: Yogesh Pipada Sunil Kumar, S. Ali Pourmousavi, Jon A. R. Liisberg, Julian Lesmos-Vinasco,
• Abstract要約: 本稿では,モンテカルロ・ドロップアウト(MCD)と共形予測(CP)を統合したスケーラブルな不確実性フレームワークを提案する。 大規模な合成データセットは、業界グレードの家庭用エネルギー管理システムを使用して生成され、公的に利用可能な負荷、太陽、価格、アクティベーション、デバイスレベルのデータと組み合わせられる。 その結果,スタンドアローンのMCDは可利用な柔軟性を過大評価し,P90準拠に反するが,提案したMCD-CPフレームワークは制御された保守性で信頼性の高いカバレッジを達成できることがわかった。
• 参考スコア（独自算出の注目度）: 0.9612977347324178
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable forecasting of prosumer flexibility is critical for demand response aggregators participating in frequency controlled ancillary services market, where strict reliability requirements such as the P90 standard are enforced. Limited historical data, dependence on exogeneous factors, and heterogenous prosumer behaviour introduce significant epistemic uncertainty, making deterministic or poorly calibrated probabilistic models unsuitable for market bidding. This paper proposes the use of scalable uncertainty quantification framework that integrates Monte Carlo dropout (MCD) with conformal prediction (CP) to produce calibrated, finite sample prediction intervals for aggregated prosumer flexibility. The proposed framework is applied to a behind-the-meter aggregator participating in the Danish manual frequency restoration reserve capacity market. A large-scale synthetic dataset is generated using a modified industry-grade home energy management system, combined with publicly available load, solar, price, activation and device-level data. The resulting machine learning surrogate model captures aggregate prosumer price responsiveness and provides uncertainty-aware estimates suitable for market bidding. Multiple multivariate CP strategies are evaluated and benchmarked against conventional MCD-based methods. Results show that standalone MCD systematically overestimates available flexibility and violates P90 compliance, whereas the proposed MCD-CP framework achieves reliable coverage with controlled conservatism. When embedded in aggregator bidding model, conformalised methods substantially reduce overbidding risk and achieve upto 70% of perfect-information profit while satisfying regulatory reliability constraints, providing practical, computationally efficient, and market-compliant solution for aggregator flexibility forecasting under uncertainty.
• Abstract（参考訳）: P90規格などの厳格な信頼性要件が実施される周波数制御アシラリーサービス市場に参加する需要応答アグリゲータにとって、プロサスタフレキシビリティの信頼性予測が不可欠である。 限られた歴史的データ、異種要因への依存、および異種プロサマーの振る舞いは、決定論的または未調整の確率的モデルが市場入札に適さない決定論的または不適切な確率的モデルをもたらす、著しい疫学的不確実性をもたらす。 本稿では,モンテカルロ・ドロップアウト (MCD) と共形予測 (CP) を統合したスケーラブルな不確実性定量化フレームワークを用いて,集約されたプロサフレキシビリティのための校正された有限サンプル予測間隔を生成することを提案する。 提案手法は,デンマークの手動周波数復元予備能力市場に参加する後方アグリゲータに適用される。 大規模な合成データセットは、業界グレードの家庭用エネルギー管理システムを使用して生成され、公的に利用可能な負荷、太陽、価格、アクティベーション、デバイスレベルのデータと組み合わせられる。 得られた機械学習サロゲートモデルは、総和価格応答性を捕捉し、市場入札に適した不確実性を考慮した見積もりを提供する。 複数の多変量CP戦略を評価し,従来のMDD法と比較した。 その結果,スタンドアローンのMCDは可利用な柔軟性を過大評価し,P90準拠に反するが,提案したMCD-CPフレームワークは制御された保守性で信頼性の高いカバレッジを達成できることがわかった。 アグリゲータ入札モデルに組込むと、アグリゲータのリスクを大幅に低減し、規制上の信頼性制約を満たしつつ、完全情報収益の最大70%を達成し、不確実性下でのアグリゲータの柔軟性予測のための実用的、計算的、および市場準拠のソリューションを提供する。

関連論文リスト

• Reliable LLM-Based Edge-Cloud-Expert Cascades for Telecom Knowledge Systems [54.916243942641444]
  大規模言語モデル(LLM)は、通信などの分野において、自動化の鍵となる存在として浮上している。 本研究では,問合せパイプラインによる意思決定を支援する,エッジクラウドに精通したLLMベースの知識システムについて検討する。
  論文  参考訳（メタデータ） (2025-12-23T03:10:09Z)
• Conformal Sets in Multiple-Choice Question Answering under Black-Box Settings with Provable Coverage Guarantees [5.09580026885155]
  ブラックボックス設定下での周波数に基づく不確実性定量化手法を提案する。 提案手法では,各入力に対するモデル出力分布の独立サンプリングを行う。 周波数に基づくPEは、正しい予測と誤予測の区別においてロジットに基づくPEよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-08-07T16:22:49Z)
• Isotonic Quantile Regression Averaging for uncertainty quantification of electricity price forecasts [0.0]
  アイソトニック量子回帰平均化(iQRA)と呼ばれる点予測のアンサンブルから確率予測を生成する新しい手法を提案する。 iQRAは信頼性とシャープさの両方の観点から,最先端のポストプロセッシング手法よりも一貫して優れていることを示す。 精度の高い予測間隔を複数の信頼レベルにわたって生成し、全てのベンチマーク手法に優れた信頼性を提供する。
  論文  参考訳（メタデータ） (2025-07-20T18:28:39Z)
• COIN: Uncertainty-Guarding Selective Question Answering for Foundation Models with Provable Risk Guarantees [51.5976496056012]
  COINは、統計的に有効な閾値を校正し、質問毎に1つの生成された回答をフィルタリングする不確実性保護選択フレームワークである。 COINはキャリブレーションセット上で経験的誤差率を推定し、信頼区間法を適用して真誤差率に高い確率上界を確立する。 リスク管理におけるCOINの堅牢性,許容回答を維持するための強いテストタイムパワー,キャリブレーションデータによる予測効率を実証する。
  論文  参考訳（メタデータ） (2025-06-25T07:04:49Z)
• Data-Driven Calibration of Prediction Sets in Large Vision-Language Models Based on Inductive Conformal Prediction [0.0]
  動的しきい値キャリブレーションとクロスモーダル整合性検証を統合したモデル非依存不確実性定量化法を提案する。 このフレームワークは、様々なキャリブレーションとテストの分割比で安定したパフォーマンスを実現し、医療、自律システム、その他の安全に敏感な領域における現実的な展開の堅牢性を強調している。 この研究は、マルチモーダルAIシステムにおける理論的信頼性と実用性の間のギャップを埋め、幻覚検出と不確実性を考慮した意思決定のためのスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-04-24T15:39:46Z)
• Noise-Adaptive Conformal Classification with Marginal Coverage [53.74125453366155]
  本稿では,ランダムラベルノイズによる交換性からの偏差を効率的に処理できる適応型共形推論手法を提案する。 本手法は,合成および実データに対して,その有効性を示す広範囲な数値実験により検証する。
  論文  参考訳（メタデータ） (2025-01-29T23:55:23Z)
• Uncertainty in Extreme Multi-label Classification [81.14232824864787]
  eXtreme Multi-label Classification (XMC)は、Webスケールの機械学習アプリケーションにおいて、ビッグデータの時代において不可欠なタスクである。 本稿では,確率的アンサンブルに基づく木系XMCモデルの一般的な不確実性定量化手法について検討する。 特に,XMCにおけるラベルレベルおよびインスタンスレベルの不確実性を解析し,ビームサーチに基づく一般的な近似フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-18T20:54:33Z)
• Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
  本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。 提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
  論文  参考訳（メタデータ） (2022-03-09T01:55:59Z)
• Providing reliability in Recommender Systems through Bernoulli Matrix Factorization [63.732639864601914]
  本稿では,予測値と信頼性値の両方を提供するためにBernoulli Matrix Factorization (BeMF)を提案する。 BeMFはメモリベースのフィルタリングではなく、モデルベースの協調フィルタリングに作用する。 予測の信頼性が高ければ高いほど、それが間違っているという責任は少なくなる。
  論文  参考訳（メタデータ） (2020-06-05T14:24:27Z)

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。