Denoising diffusion probabilistic models for probabilistic energy forecasting

要約

タイトル：確率エネルギー予測のためのノイズ除去拡散確率モデル

要約：

– シナリオベースの確率予測は、断続的な再生可能エネルギーを扱う決定者にとって重要になってきている。
– この論文では、深層学習生成アプローチの新しい有望な手法であるノイズ除去拡散確率モデルを紹介する。
– これは、最近、コンピュータビジョンコミュニティで印象的な結果を示した一種の潜在変数モデルである。
– しかし、私たちの知る限り、電力システムアプリケーションの新しい課題に対処するために、負荷、PV、または風力の時間系列の高品質のサンプルを生成できることが証明されたものはまだありません。
– したがって、私たちは、Global Energy Forecasting Competition 2014のオープンデータを使用して、エネルギー予測のためにこのモデルの最初の実装を提案しています。
– 結果は、生成対抗ネットワーク、変分オートエンコーダー、正規化フローなどの他の最先端の深層学習生成モデルと競争力があることを示している。

要約(オリジナル)

Scenario-based probabilistic forecasts have become vital for decision-makers in handling intermittent renewable energies. This paper presents a recent promising deep learning generative approach called denoising diffusion probabilistic models. It is a class of latent variable models which have recently demonstrated impressive results in the computer vision community. However, to our knowledge, there has yet to be a demonstration that they can generate high-quality samples of load, PV, or wind power time series, crucial elements to face the new challenges in power systems applications. Thus, we propose the first implementation of this model for energy forecasting using the open data of the Global Energy Forecasting Competition 2014. The results demonstrate this approach is competitive with other state-of-the-art deep learning generative models, including generative adversarial networks, variational autoencoders, and normalizing flows.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI