論文の概要: Copula-Based Aggregation and Context-Aware Conformal Prediction for Reliable Renewable Energy Forecasting

• arxiv url: http://arxiv.org/abs/2602.02583v1
• Date: Sat, 31 Jan 2026 17:51:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-04 18:37:14.954887
• Title: Copula-Based Aggregation and Context-Aware Conformal Prediction for Reliable Renewable Energy Forecasting
• Title（参考訳）: 信頼性再生可能エネルギー予測のためのコプラに基づく集約とコンテキスト対応コンフォーマル予測
• Authors: Alireza Moradi, Mathieu Tanneau, Reza Zandehshahvar, Pascal Van Hentenryck,
• Abstract要約: 本稿では,現場レベルの確率予測を信頼性の高い艦隊レベルの予測に変換する確率集約フレームワークを提案する。 このフレームワークは、コプラに基づく依存モデルを統合し、コンテキスト・アウェア・コンフォーマル予測(CACP)とクロスサイト相関をキャプチャし、集約されたレベルでの誤校正を補正する。
• 参考スコア（独自算出の注目度）: 15.641461394573499
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The rapid growth of renewable energy penetration has intensified the need for reliable probabilistic forecasts to support grid operations at aggregated (fleet or system) levels. In practice, however, system operators often lack access to fleet-level probabilistic models and instead rely on site-level forecasts produced by heterogeneous third-party providers. Constructing coherent and calibrated fleet-level probabilistic forecasts from such inputs remains challenging due to complex cross-site dependencies and aggregation-induced miscalibration. This paper proposes a calibrated probabilistic aggregation framework that directly converts site-level probabilistic forecasts into reliable fleet-level forecasts in settings where system-level models cannot be trained or maintained. The framework integrates copula-based dependence modeling to capture cross-site correlations with Context-Aware Conformal Prediction (CACP) to correct miscalibration at the aggregated level. This combination enables dependence-aware aggregation while providing valid coverage and maintaining sharp prediction intervals. Experiments on large-scale solar generation datasets from MISO, ERCOT, and SPP demonstrate that the proposed Copula+CACP approach consistently achieves near-nominal coverage with significantly sharper intervals than uncalibrated aggregation baselines.
• Abstract（参考訳）: 再生可能エネルギーの急速な普及により、集約された(艦隊やシステム)レベルでのグリッド運用を支援するための信頼性の高い確率予測の必要性が高まっている。 しかし実際には、システムオペレーターはフリートレベルの確率モデルへのアクセスを欠いていることが多く、代わりに異種サードパーティプロバイダによって生成されるサイトレベルの予測に依存している。 このような入力からコヒーレントで校正された艦隊レベルの確率予測を構築することは、複雑なクロスサイト依存関係と集約による誤校正のため、依然として困難である。 本稿では,現場レベルの確率予測を直接,システムレベルのモデルの訓練や維持ができないような環境で,信頼性の高い艦隊レベルの予測に変換するキャリブレーション型確率集計フレームワークを提案する。 このフレームワークは、コプラに基づく依存モデルを統合し、コンテキスト・アウェア・コンフォーマル予測(CACP)とクロスサイト相関をキャプチャし、集約されたレベルでの誤校正を補正する。 この組み合わせは、有効なカバレッジを提供し、鋭い予測間隔を維持しながら、依存認識の集約を可能にする。 MISO, ERCOT, SPPによる大規模太陽光発電データセットの実験により, 提案したCopula+CACPアプローチは, 非校正アグリゲーションベースラインよりも遥かにシャープな間隔で, ほぼ最小のカバレッジを確実に達成できることを示した。

関連論文リスト

• Distributed Conformal Prediction via Message Passing [33.306901198295016]
  Conformal Prediction (CP)は、堅牢なポストホックキャリブレーションフレームワークを提供する。 CPによる信頼性推論を実現するために,メッセージパスに基づく2つのアプローチを提案する。
  論文  参考訳（メタデータ） (2025-01-24T14:47:42Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

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。