A Flow-Based Model for Conditional and Probabilistic Electricity Consumption Profile Generation and Prediction

要約

住宅負荷プロファイル (RLP) の生成と予測は、特に多様な低炭素技術 (太陽光発電や電気自動車など) の採用が進むにつれて、配電ネットワークの運用と計画にとって重要です。
このペーパーでは、完全畳み込みプロファイル フロー (FCPFlow) と呼ばれる新しいフローベースの生成モデルを紹介します。このモデルは、条件付きおよび無条件の両方の RLP 生成と確率的負荷予測のために独自に設計されています。
2 つの新しい層 (可逆線形層と可逆正規化層) を導入することにより、提案された FCPFlow アーキテクチャは、従来の統計的および現代の深層生成モデルと比較して 3 つの主な利点を示します。1) 連続条件下での RLP 生成によく適しています。
2) 従来の統計モデルと比較して、さまざまなデータセットで優れたスケーラビリティを示し、3) 深い生成モデルと比較して、RLP の複雑な相関関係を捉える際の優れたモデリング機能も示します。

要約(オリジナル)

Residential Load Profile (RLP) generation and prediction are critical for the operation and planning of distribution networks, especially as diverse low-carbon technologies (e.g., photovoltaic and electric vehicles) are increasingly adopted. This paper introduces a novel flow-based generative model, termed Full Convolutional Profile Flow (FCPFlow), which is uniquely designed for both conditional and unconditional RLP generation, and for probabilistic load forecasting. By introducing two new layers–the invertible linear layer and the invertible normalization layer–the proposed FCPFlow architecture shows three main advantages compared to traditional statistical and contemporary deep generative models: 1) it is well-suited for RLP generation under continuous conditions, such as varying weather and annual electricity consumption, 2) it demonstrates superior scalability in different datasets compared to traditional statistical models, and 3) it also demonstrates better modeling capabilities in capturing the complex correlation of RLPs compared with deep generative models.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google