論文の概要: Decision-focused learning for optimal PV-Battery scheduling

• arxiv url: http://arxiv.org/abs/2605.28340v1
• Date: Wed, 27 May 2026 11:43:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:56.012671
• Title: Decision-focused learning for optimal PV-Battery scheduling
• Title（参考訳）: 最適PV電池スケジューリングのための意思決定型学習
• Authors: Joris Depoortere, Hussain Kazmi, Johan Driesen,
• Abstract要約: 近年は住宅用太陽光発電の利用が激増している。 電池が手頃な価格になるにつれ、太陽光発電システムの最適運用は家庭に多大な節約をもたらす可能性がある。 本研究では,最適化と予測を統合した意思決定型学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The use of residential photovoltaics has increased dramatically in recent years. With battery systems becoming more affordable, the optimal operation of a photovoltaic-battery system can bring significant savings to households. Optimal control requires correct forecasts of underlying parameters, such as photovoltaic power generation, to schedule the battery. While forecasting models have become increasingly accurate due to algorithmic advances and data availability, accuracy is typically measured in generic metrics which might not align with the downstream application. This study proposes a decision-focused learning framework that integrates optimization and prediction by training a Long Short-Term Memory photovoltaic energy forecaster on the downstream optimal scheduling of a battery system. The proposed methodology is compared against a standard two-phase approach. Across a 14-month evaluation period, the decision-focused method reduced average electricity costs across twenty buildings by 3.6% when normalized against performance bounds defined by a perfect forecast and a baseline of no optimization. Critically, this financial improvement was achieved despite the model exhibiting a root mean squared error of 19.9%, significantly higher than the decoupled model's 8.2%. Warm-starting the decision-focused model further improves results, lowering average cost by approximately 8%, while also mitigating the negative impact on statistical accuracy (root mean squared error of 13.7%). The findings are statistically significant at the 0.001 level across the twenty households and for each household individually. These results demonstrate that aligning forecast models with optimization goals is key for achieving cost advantages in PV-battery systems. Future research should replicate these findings on other datasets, alternate forecasting models and alternate optimization algorithms.
• Abstract（参考訳）: 近年は住宅用太陽光発電の利用が激増している。 電池が手頃な価格になるにつれ、太陽光発電システムの最適運用は家庭に多大な節約をもたらす可能性がある。 最適制御は、電池のスケジュールを決定するために、太陽光発電などの基礎となるパラメータの正確な予測を必要とする。 アルゴリズムの進歩とデータの可用性のために予測モデルはますます正確になっているが、一般的には、下流のアプリケーションと一致しないような一般的なメトリクスで測定される。 本研究では,電池システムの下流の最適スケジューリングに基づいて,長期記憶型太陽光発電エネルギー予測器を訓練することにより,最適化と予測を統合した意思決定型学習フレームワークを提案する。 提案手法は標準的な二相法と比較される。 14ヶ月の評価期間を通じて、決定に焦点を当てた手法は、完璧な予測と最適化なしの基準で定義された性能境界に対して正規化された場合、20の建物の平均電力コストを3.6%削減した。 重要な点として、この財政的な改善は、ルート平均2乗誤差19.9%のモデルにもかかわらず達成された。 決定に焦点を絞ったモデルを温めれば、平均コストを約8%削減し、統計的精度(ルート平均2乗誤差13.7%)に悪影響を及ぼす。 統計学的には20世帯で0.001レベルで、各世帯でそれぞれ有意である。 これらの結果から,PV電池システムにおいて,予測モデルと最適化目標との整合性がコスト優位性を実現する上で重要であることが示された。 今後の研究は、これらの結果を他のデータセット、代替予測モデル、代替最適化アルゴリズムで再現する予定である。

関連論文リスト

• Ultra-short-term solar power forecasting by deep learning and data reconstruction [60.200987006598524]
  深層学習に基づく超短周期太陽エネルギー予測とデータ再構成を提案する。 我々は、ターゲット予測期間に対する長期的および短期的依存関係をキャプチャするために、ディープラーニングモデルを用いる。
  論文  参考訳（メタデータ） (2025-09-21T14:22:35Z)
• Probability Estimation and Scheduling Optimization for Battery Swap Stations via LRU-Enhanced Genetic Algorithm and Dual-Factor Decision System [2.845879685273271]
  本研究では,充電杭データに基づく確率推定モデルを提案し,9つのシナリオ固有の電池交換需要データセットを構築した。 これは、グローバル最適化機能を効果的に強化するガイド付き検索機構を組み込んでいる。 即時スワップ・アンド・チャージ戦略に対するベンチマークでは,最大で13.96%のコスト削減を実現している。
  論文  参考訳（メタデータ） (2025-04-10T04:58:24Z)
• Intra-day Solar and Power Forecast for Optimization of Intraday Market Participation [31.426172725953638]
  太陽光照射の予測により、太陽光発電(PV)発電とグリッド統合の信頼性が向上する。 本研究は, 長短期記憶(LSTM)モデルとBi-LSTMモデルを用いて, 6時間の地平線と10分間の分解能で太陽光照射を予測する。 LSTM予測は平均して時間分解能モデルを作成し、平均絶対誤差、ルート平均二乗誤差、正規化ルート平均二乗誤差、平均絶対二乗誤差を用いて評価した。
  論文  参考訳（メタデータ） (2025-01-16T14:12:03Z)
• Self-Steering Optimization: Autonomous Preference Optimization for Large Language Models [79.84205827056907]
  本稿では,高品質な嗜好データを自律的に生成するアルゴリズムであるセルフステアリング最適化(SSO$)を提案する。 $SSO$は、ポリシーモデル自体からデータジェネレータを構築するために、特別な最適化目標を採用しています。 評価の結果,$SSO$は人選好アライメントと報酬最適化のベースラインを一貫して上回っていることがわかった。
  論文  参考訳（メタデータ） (2024-10-22T16:04:03Z)
• Impact of ML Optimization Tactics on Greener Pre-Trained ML Models [46.78148962732881]
  本研究の目的は,画像分類データセットと事前学習モデルの解析,最適化モデルと非最適化モデルを比較して推論効率を向上させること,最適化の経済的影響を評価することである。 画像分類におけるPyTorch最適化手法(動的量子化、トーチ・コンパイル、局所プルーニング、グローバルプルーニング)と42のHugging Faceモデルの影響を評価するための制御実験を行った。 動的量子化は推論時間とエネルギー消費の大幅な削減を示し、大規模システムに非常に適している。
  論文  参考訳（メタデータ） (2024-09-19T16:23:03Z)
• Predict+Optimize Problem in Renewable Energy Scheduling [31.032838966665828]
  本稿では IEEE-CIS Technical Challenge on Predict+ for Renewable Energy Scheduling のソリューションをベンチマークする。 光GBMアンサンブルを用いた最適化手法は、少なくとも2%のエネルギーコスト削減を実現した。 この研究の新規性は、現実の再生可能エネルギースケジューリング問題に適用される予測+方法論の包括的評価にある。
  論文  参考訳（メタデータ） (2022-12-21T02:34:12Z)
• Optimal Lighting Control in Greenhouses Using Bayesian Neural Networks for Sunlight Prediction [0.8602553195689513]
  日光予測のための変分推論ベイズニューラルネットワーク(BNN)モデルを考慮した最適補光制御手法を開発した。 提案手法は,BNNによる日光予測,植物光の需要,電力価格の変動を考慮した電力コストの最小化を図っている。
  論文  参考訳（メタデータ） (2022-05-07T22:41:49Z)
• Evolutionary scheduling of university activities based on consumption forecasts to minimise electricity costs [0.9449650062296824]
  本稿では,大学キャンパスの電力コスト削減を目標とする予測・最適化問題の解法を提案する。 提案手法は,多次元時系列予測と大規模最適化の新しいアプローチを組み合わせたものである。
  論文  参考訳（メタデータ） (2022-02-25T10:18:56Z)

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。