Short-Term Density Forecasting of Low-Voltage Load using Bernstein-Polynomial Normalizing Flows

要約

完全に再生可能なエネルギー グリッドへの移行には、低電圧レベルでの需要をより適切に予測して、効率を高め、信頼性の高い制御を確保する必要があります。
ただし、大きな変動と電化の増加により、従来のポイント見積もりには反映されていない巨大な予測変動が生じます。
確率的負荷予測は、将来の不確実性を考慮に入れるため、低炭素エネルギー システムの計画と運用について、より多くの情報に基づいた意思決定を行うことができます。
ニューラルネットワークがフローのパラメータを制御する、バーンスタイン多項式正規化フローに基づく短期負荷の柔軟な条件付き密度予測のアプローチを提案します。
363 のスマート メーターの顧客を対象とした実証研究では、当社の密度予測は、ガウスおよびガウス混合密度と比較して優れています。
また、2 つの異なるニューラル ネットワーク アーキテクチャの 24 時間前の負荷予測のピンボール損失に基づくノンパラメトリック アプローチよりも優れています。

要約(オリジナル)

The transition to a fully renewable energy grid requires better forecasting of demand at the low-voltage level to increase efficiency and ensure reliable control. However, high fluctuations and increasing electrification cause huge forecast variability, not reflected in traditional point estimates. Probabilistic load forecasts take future uncertainties into account and thus allow more informed decision-making for the planning and operation of low-carbon energy systems. We propose an approach for flexible conditional density forecasting of short-term load based on Bernstein polynomial normalizing flows, where a neural network controls the parameters of the flow. In an empirical study with 363 smart meter customers, our density predictions compare favorably against Gaussian and Gaussian mixture densities. Also, they outperform a non-parametric approach based on the pinball loss for 24h-ahead load forecasting for two different neural network architectures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google