論文の概要: Probabilistic Low-Voltage Peak Load Forecasting with Time Series Foundation Models Evaluated on Application-Oriented Metrics

• arxiv url: http://arxiv.org/abs/2607.01966v1
• Date: Thu, 02 Jul 2026 09:58:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.781134
• Title: Probabilistic Low-Voltage Peak Load Forecasting with Time Series Foundation Models Evaluated on Application-Oriented Metrics
• Title（参考訳）: アプリケーション指向メトリクスに基づく時系列モデルによる確率的低電圧ピーク負荷予測
• Abstract要約: 低電圧負荷予測は、電気化と分散型化が進んだ現在および将来のエネルギーシステムにおいて重要な要素である。 現在の予測手法にはかなりの手作業が必要であり、しばしば不確実性推定と適切なピーク予測が欠如している。 新たなアプリケーション指向メトリックは、ピーク予測におけるモデルの予測能力をグリッド資産計画のトレードオフと結びつけ、コスト削減と失敗のリスクを最小限に抑える。
• 参考スコア（独自算出の注目度）: 0.6072959652607564
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Low-voltage load forecasting is an important component in current and future energy systems with a high degree of electrification and decentralized generation. However, current forecasting methods require significant manual effort, often lack uncertainty estimation and proper peak prediction, and they are often not adequately evaluated in terms of grid requirements. In the present study, we provide an extensive evaluation of short-term net load forecasts of 200 real-world low-voltage feeders with a focus on the rapidly evolving time series foundation models. Our study compares Chronos-Bolt, Chronos-2 and TabPFN-TS to six baseline models and demonstrates superior performance, in particular for Chronos-2. An ablation study, in which weather covariates are omitted, shows that time series foundation models adapt to increased uncertainty, despite the importance of weather information. A novel application-oriented metric links the model's forecasting capabilities in peak prediction to the trade-off in grid asset planning and operation between cost reduction and minimizing the risk of failure.
• Abstract（参考訳）: 低電圧負荷予測は、電気化と分散型化が進んだ現在および将来のエネルギーシステムにおいて重要な要素である。 しかし、現在の予測手法にはかなりの手作業が必要であり、しばしば不確実性推定や適切なピーク予測が欠如しており、グリッド要求の観点からは適切に評価されていないことが多い。 本研究では,急速に発展する時系列基礎モデルに着目し,200個の実世界の低電圧供給者の短期負荷予測を広範囲に評価する。 本研究では,Chronos-Bolt,Chronos-2,TabPFN-TSを6つのベースラインモデルと比較し,特にChronos-2において優れた性能を示す。 気象共変分を省略するアブレーション研究では、気象情報の重要性にもかかわらず、時系列基礎モデルが不確実性の増加に適応していることが示されている。 新たなアプリケーション指向メトリックは、ピーク予測におけるモデルの予測能力をグリッド資産計画のトレードオフと結びつけ、コスト削減と失敗のリスクを最小限に抑える。

関連論文リスト

• Assessing Covariate-Informed Grid Load Forecasting with a Time-Series Foundation Model [1.7674345486888503]
  クロノス-2 (Chronos-2) は、Amazonが開発した多チャンネル時系列基盤モデル(TSFM)である。 我々はChronos-2を、ISO New EnglandとENTSO-Eの2つの実世界のユーティリティデータセット上で評価し、広く使われているタスク固有ディープラーニングモデルと比較した。 以上の結果から,Chronos-2はタスク固有の微調整の利点を大いに生かし,短時間の予測性能が向上することが示唆された。
  論文  参考訳（メタデータ） (2026-09-06T15:09:12Z)
• Time-Aware Prior Fitted Networks for Zero-Shot Forecasting with Exogenous Variables [59.37476887007663]
  我々は、(PFNとは違って)時間認識の事前データ適合型ネットワーク(PFN)であるApolloPFNを開発した。 i) PFNが時系列に適用されたときに発生する障害モードを解決するために調整された合成データ生成手順,(ii)時系列コンテキストを利用するのに必要な帰納的バイアスを埋め込んだ時間アウェアなアーキテクチャ修正。
  論文  参考訳（メタデータ） (2026-03-16T18:33:23Z)
• Accuracy Law for the Future of Deep Time Series Forecasting [65.46625911002202]
  時系列予測は、部分的に観測可能で不確実な性質のため、本質的にゼロでない誤差の低い境界に直面する。 本稿では、ディープ時系列予測の性能上限をどうやって推定するかという根本的な問題に焦点をあてる。 新たに訓練された2,800以上の深層予測器の厳密な統計的テストに基づいて、深部モデルの最小予測誤差とウィンドウワイズ級数パターンの複雑さとの間に有意な指数関数的関係を見出した。
  論文  参考訳（メタデータ） (2025-10-03T05:18:47Z)
• IISE PG&E Energy Analytics Challenge 2025: Hourly-Binned Regression Models Beat Transformers in Load Forecasting [0.0]
  本研究では,古典的回帰手法から高度なディープラーニングアーキテクチャに至るまで,予測モデルを評価する。 このデータセットには、過去2年間の電力負荷データと、5つの場所にわたる温度およびグローバル水平照射(GHI)が含まれている。 その結果、TimeGPTを含むディープラーニングモデルは、より単純な統計的および機械学習アプローチを一貫して上回りません。
  論文  参考訳（メタデータ） (2025-05-16T15:55:34Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Counterfactual Explanations for Time Series Forecasting [14.03870816983583]
  本稿では,時系列予測における対実生成の新たな問題を定式化し,ForecastCFと呼ばれるアルゴリズムを提案する。 ForecastCFは、勾配に基づく摂動を元の時系列に適用することで、この問題を解決する。 以上の結果から,ForecastCFは,逆ファクト的妥当性とデータ多様体の近接性の観点から,ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2023-10-12T08:51:59Z)
• Mlinear: Rethink the Linear Model for Time-series Forecasting [9.841293660201261]
  Mlinearは、主に線形層に基づく単純だが効果的な方法である。 複数のデータセット上で広く使われている平均二乗誤差(MSE)を大幅に上回る新しい損失関数を導入する。 提案手法は,PatchTSTを336列長入力で21:3,512列長入力で29:10で有意に上回った。
  論文  参考訳（メタデータ） (2023-05-08T15:54:18Z)
• A comparative assessment of deep learning models for day-ahead load forecasting: Investigating key accuracy drivers [2.572906392867547]
  短期負荷予測(STLF)は電力グリッドとエネルギー市場の効果的かつ経済的な運用に不可欠である。 STLFの文献ではいくつかのディープラーニングモデルが提案されており、有望な結果を報告している。
  論文  参考訳（メタデータ） (2023-02-23T17:11:04Z)
• Low-Rank Temporal Attention-Augmented Bilinear Network for financial time-series forecasting [93.73198973454944]
  ディープラーニングモデルは、金融時系列データの予測問題など、さまざまな領域から来る多くの問題において、大幅なパフォーマンス改善をもたらしている。 近年,制限順序書の時系列予測の効率的かつ高性能なモデルとして,時間的注意強化バイリニアネットワークが提案されている。 本稿では,モデルの低ランクテンソル近似を提案し,トレーニング可能なパラメータの数をさらに削減し,その速度を向上する。
  論文  参考訳（メタデータ） (2021-07-05T10:15:23Z)
• 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)
• Short-term prediction of photovoltaic power generation using Gaussian process regression [3.8386504037654534]
  本稿は,英国におけるPVシステムによるエネルギーの予測に焦点をあてる。 モデルは3つの主要な要因に対して48時間の短期予測で評価される。 また、予測期間内でのクラウドカバレッジと、予測者としての最初のクラウドカバレッジについて、非常に短期的な予測を比較します。
  論文  参考訳（メタデータ） (2020-10-05T18:35:25Z)

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。