論文の概要: Probabilistic Multi-Regional Solar Power Forecasting with Any-Quantile Recurrent Neural Networks

• arxiv url: http://arxiv.org/abs/2602.05660v1
• Date: Thu, 05 Feb 2026 13:43:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.954139
• Title: Probabilistic Multi-Regional Solar Power Forecasting with Any-Quantile Recurrent Neural Networks
• Title（参考訳）: 等価リカレントニューラルネットワークによる確率的多段階太陽電力予測
• Authors: Slawek Smyl, Paweł Pełka, Grzegorz Dudek,
• Abstract要約: 本稿では、AQ-RNN(Any-Quantile Recurrent Neural Network)に基づくマルチリージョンPV発電のための非量子確率予測フレームワークを提案する。 提案フレームワークは, 任意の確率レベルの条件量子化を, 1つの訓練されたモデル内で推定することができる。 その結果,予測精度,キャリブレーション,予測間隔の品質が一貫した改善を示した。
• 参考スコア（独自算出の注目度）: 3.8424737607413157
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The increasing penetration of photovoltaic (PV) generation introduces significant uncertainty into power system operation, necessitating forecasting approaches that extend beyond deterministic point predictions. This paper proposes an any-quantile probabilistic forecasting framework for multi-regional PV power generation based on the Any-Quantile Recurrent Neural Network (AQ-RNN). The model integrates an any-quantile forecasting paradigm with a dual-track recurrent architecture that jointly processes series-specific and cross-regional contextual information, supported by dilated recurrent cells, patch-based temporal modeling, and a dynamic ensemble mechanism. The proposed framework enables the estimation of calibrated conditional quantiles at arbitrary probability levels within a single trained model and effectively exploits spatial dependencies to enhance robustness at the system level. The approach is evaluated using 30 years of hourly PV generation data from 259 European regions and compared against established statistical and neural probabilistic baselines. The results demonstrate consistent improvements in forecast accuracy, calibration, and prediction interval quality, underscoring the suitability of the proposed method for uncertainty-aware energy management and operational decision-making in renewable-dominated power systems.
• Abstract（参考訳）: 太陽光発電(PV)の発生の増大は、電力系統の運用に重大な不確実性をもたらし、決定論的な点予測を超えた予測アプローチを必要とする。 本稿では,AQ-RNN(Any-Quantile Recurrent Neural Network)に基づくマルチリージョンPV発電のための非量子確率予測フレームワークを提案する。 このモデルは、拡張されたリカレントセル、パッチベースの時間的モデリング、動的アンサンブル機構によってサポートされた、シリーズ固有およびクロスリージョンのコンテキスト情報を共同で処理するデュアルトラックのリカレントアーキテクチャと、任意の量子状態予測パラダイムを統合している。 提案フレームワークは, 任意の確率レベルにおける校正条件量子量の推定を可能にし, システムレベルでのロバスト性を高めるために, 空間依存性を効果的に活用する。 この手法は、ヨーロッパ259地域の30年間のPV生成データを用いて評価され、確立された統計的および神経確率的ベースラインと比較される。 その結果, 再生可能電力システムにおける不確実性を考慮したエネルギー管理と運用上の意思決定に, 予測精度, キャリブレーション, 予測間隔品質が一貫した改善を図った。

関連論文リスト

• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• ScenGAN: Attention-Intensive Generative Model for Uncertainty-Aware Renewable Scenario Forecasting [11.600987173982107]
  本稿では,再生可能エネルギーとディープラーニングの領域における不確実性について考察する。 不確実性認識モデルは、再生可能シナリオ予測のために慎重に設計されている。 処理層における気象情報、予報、歴史的軌跡の統合により、相乗的予測能力が向上する。
  論文  参考訳（メタデータ） (2025-09-21T15:18:51Z)
• A Composite-Loss Graph Neural Network for the Multivariate Post-Processing of Ensemble Weather Forecasts [0.0]
  デュアルGNNは、実証的なコプラベースの後処理予測を一貫して上回っている。 双対GNN予測のランク順構造は、貴重な依存情報をキャプチャする。
  論文  参考訳（メタデータ） (2025-09-02T19:37:44Z)
• On-line conformalized neural networks ensembles for probabilistic forecasting of day-ahead electricity prices [41.94295877935867]
  我々はPEPFに対する新しいアプローチを提案し、同型推論に基づく手法を用いて、アートニューラルネットワークのアンサンブルの手法を拡張した。 複数の市場地域で実験が行われ、昼の予測が達成され、時間帯のカバレッジが向上し、安定した確率的スコアが得られた。
  論文  参考訳（メタデータ） (2024-04-03T13:22:47Z)
• Probabilistic Forecasting of Real-Time Electricity Market Signals via Interpretable Generative AI [41.99446024585741]
  Weak Innovation AutoEncoderをベースとしたGenerative Probabilistic ForecastingアーキテクチャであるWIAE-GPFを提案する。 構造収束を保証する新しい学習アルゴリズムを提案し、生成した予測サンプルが基底真理条件付き確率分布と一致することを保証した。
  論文  参考訳（メタデータ） (2024-03-09T00:41:30Z)
• 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)
• 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)
• 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)
• Forecasting Photovoltaic Power Production using a Deep Learning Sequence to Sequence Model with Attention [0.0]
  本稿では,PV発電のエンド・ツー・エンド予測のための教師付きディープラーニングモデルを提案する。 提案モデルは2つの基本概念に基づいており、他のシーケンス関連分野の大幅な性能向上につながった。 その結果、新しい設計は、PV電力予測技術の現在の状態以上で実行可能であることがわかった。
  論文  参考訳（メタデータ） (2020-08-06T17:20:08Z)

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。