論文の概要: Mapping High-Performance Regions in Battery Scheduling across Data Uncertainty, Battery Design, and Planning Horizons

• arxiv url: http://arxiv.org/abs/2604.15360v1
• Date: Sun, 12 Apr 2026 23:00:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-20 22:00:19.547151
• Title: Mapping High-Performance Regions in Battery Scheduling across Data Uncertainty, Battery Design, and Planning Horizons
• Title（参考訳）: データ不確実性、電池設計、計画ホライズンにまたがる電池スケジューリングにおける高性能領域のマッピング
• Abstract要約: 本研究では,多段階モデル予測制御下でのエネルギー貯蔵動作の3次元解析について述べる。 データ特性,予測の不確実性,計画的地平線,電池のCレートの相互作用について検討した。 以上の結果から,追加の予測情報が運用上のメリットを限定する,ルックアヘッド長として定義された有効地平線の存在が明らかになった。
• 参考スコア（独自算出の注目度）: 0.16419687521433918
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: This study presents a triadic analysis of energy storage operation under multi-stage model predictive control, investigating the interplay between data characteristics, forecast uncertainty, planning horizon, and battery c-rate. Synthetic datasets are generated to systematically explore variations in data profiles and uncertainty, enabling parametrization and the construction of relationships that map these characteristics to optimal horizon length. Results reveal the presence of an effective horizon, defined as the look-ahead length beyond which additional forecast information provides limited operational benefit. Accounting for this horizon can reduce computational costs while maintaining optimal performance. The study provides optimal horizon lengths across a broad range of combinations of battery types, uncertainty levels, and data profiles, offering practical guidance for industrial storage operation. It also quantifies revenue losses due to forecast uncertainty, showing that errors can impact performance even for fast batteries. Finally, the framework lays the groundwork for future machine learning approaches that map dataset parametrization to optimal horizons, supporting continuous optimization in industrial settings without heavy computation.
• Abstract（参考訳）: 本研究では,多段階モデル予測制御によるエネルギー貯蔵動作の3段階的解析を行い,データ特性,予測の不確実性,計画地平線,電池のCレートの相互作用について検討した。 合成データセットは、データプロファイルと不確実性のバリエーションを体系的に探索し、これらの特性を最適地平線長にマッピングするパラメトリゼーションと関係の構築を可能にする。 以上の結果から,追加の予測情報が運用上のメリットを限定する,ルックアヘッド長として定義された有効地平線の存在が明らかになった。 この地平線の会計は、最適性能を維持しながら計算コストを削減できる。 この研究は、バッテリータイプ、不確実性レベル、データプロファイルの幅広い組み合わせで最適な地平線長を提供し、産業用ストレージ運用のための実用的なガイダンスを提供する。 また、予測の不確実性による収益損失を定量化し、エラーが高速バッテリーの性能に影響を及ぼすことを示した。 最後に、このフレームワークは、データセットのパラメータ化を最適な地平線にマッピングし、重計算なしで産業環境での継続的な最適化をサポートする、将来の機械学習アプローチの基盤となる。

関連論文リスト

• Preference Data Selection for Mitigating the Alignment Tax in Large Language Models [52.18310687523229]
  BALIGNは、アライメント効率を最適化しながら破滅的な忘れを緩和するバランスのとれたデータ選択戦略である。 3つの重要なデータ中心の機能を統一された複合リスクスコアに集約することにより、BALIGNは、ハイリスクな選好サンプルを体系的にフィルタリングする。 標準的な人間の嗜好データセットの実験では、BALIGNはアライメントゲインを損なうことなく基礎的能力を強く保持している。
  論文  参考訳（メタデータ） (2026-08-25T07:58:42Z)
• An Empirical Benchmark of Deep Time-Series Models for Smart Meter Energy Forecasting [1.539942973115038]
  時系列予測のための9つの近代的ディープラーニングモデルの実証的ベンチマークを示す。 我々はこれらのモデルを2つの公開スマートメーターデータセットで評価する。
  論文  参考訳（メタデータ） (2026-08-19T08:27:48Z)
• A Novel Approach to Temporal QoS Estimation via Extended Kalman Filter-Incorporated Latent Feature Analysis [20.92363732107246]
  本稿では,効率的な時間的予測を行うために,拡張カルマンフィルタ拡張潜在特徴分析(EKL)モデルを提案する。 提案するEKLは,時間的データ不足に対する計算効率と予測精度の両方に関して,既存の最先端モデルを上回っている。 実世界の時間的データセットを用いて行った実験結果から,提案したEKLは,時間的データ不足に対する計算効率と予測精度の両方に関して,既存の最先端モデルを上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2026-06-22T08:22:18Z)
• PlanningBench: Generating Scalable and Verifiable Planning Data for Evaluating and Training Large Language Models [52.48858778580074]
  計画は大規模言語モデル(LLM)の基本的な機能である PlanningBenchは、評価とトレーニングの両方のためのスケーラブルで多様な検証可能な計画データを生成するためのフレームワークである。
  論文  参考訳（メタデータ） (2026-05-20T08:10:15Z)
• Toward Reducing Unproductive Container Moves: Predicting Service Requirements and Dwell Times [65.01025489527173]
  本稿では, コンテナ端末で実施したデータサイエンス研究の結果について述べる。 我々は、歴史的運用データを活用する機械学習モデルを開発し、カーゴリリースに先立って、どのコンテナが事前クリアランス処理サービスを必要とするかを予測し、いつまで端末に留まるかを推定する。
  論文  参考訳（メタデータ） (2026-04-06T19:06:15Z)
• Probabilistic Forecasting for Building Energy Systems using Time-Series Foundation Models [20.57107693396709]
  エネルギーシステムの構築は、関連する時系列モデルの予測精度に依存する。 本稿では,建築エネルギー予測における時系列基礎モデル(TSFM)の適用性と微調整戦略について検討する。
  論文  参考訳（メタデータ） (2025-05-31T16:38:29Z)
• Learning Data-Driven Uncertainty Set Partitions for Robust and Adaptive Energy Forecasting with Missing Data [0.0]
  短期的な風力発電予測モデルでは、投入時に入力データ(機能)が利用可能であることを前提としている。 機器の故障、破壊、サイバー攻撃は、そのようなモデルが運用に使用される際に欠落する可能性がある。 適応的ロバスト最適化と対向機械学習を用いて、不足したデータをシームレスに操作する予測モデルを開発する。
  論文  参考訳（メタデータ） (2025-03-26T10:38:56Z)
• Echo State Networks for Spatio-Temporal Area-Level Data [2.411699454065038]
  空間時間領域レベルのデータセットは、公式統計において重要な役割を担い、政策決定と地域計画に関する貴重な洞察を提供する。 これらのデータセットの正確なモデリングと予測は、政策立案者が将来の計画のための情報戦略を開発するのに極めて有用である。 本稿では,Echo State Networks (ESNs) の入力段階で近似グラフスペクトルフィルタを組み込む。 政策や計画の文脈において、より情報のある意思決定を支援する方法について説明する。
  論文  参考訳（メタデータ） (2024-10-14T15:51:06Z)
• Learning When to See for Long-term Traffic Data Collection on Power-constrained Devices [7.712009864814493]
  本稿では,バッテリ駆動デバイスの観測タイミングを戦略的に決定する,新しい学習ベースのフレームワークを提案する。 スパースサンプリングされた観測結果から全データストリームを再構築し,性能損失を最小限に抑える。 RNN予測器と推定器とDRQN(Deep Recurrent Q-Network)コントローラによるPeMSデータに対する提案手法の性能評価を行った。
  論文  参考訳（メタデータ） (2024-01-25T20:50:34Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• LargeST: A Benchmark Dataset for Large-Scale Traffic Forecasting [65.71129509623587]
  道路交通予測はスマートシティのイニシアチブにおいて重要な役割を担い、ディープラーニングの力によって大きな進歩を遂げている。 しかし、現在の公開データセットで達成される有望な結果は、現実的なシナリオには適用できないかもしれない。 カリフォルニアで合計8,600のセンサーと5年間の時間カバレッジを含む、LargeSTベンチマークデータセットを紹介します。
  論文  参考訳（メタデータ） (2023-06-14T05:48:36Z)
• Prediction-Oriented Bayesian Active Learning [51.426960808684655]
  予測情報ゲイン(EPIG)は、パラメータではなく予測空間における情報ゲインを測定する。 EPIGは、さまざまなデータセットやモデルにわたるBALDと比較して、予測パフォーマンスが向上する。
  論文  参考訳（メタデータ） (2023-04-17T10:59:57Z)
• Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
  有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。 本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。 アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
  論文  参考訳（メタデータ） (2021-04-08T08:50:44Z)

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。