EnsembleCI: Ensemble Learning for Carbon Intensity Forecasting

要約

炭素強度（CI）は、電力単位ごとに生成された平均炭素排出量を測定し、環境への影響を定量化して管理するための重要なメトリックになります。
正確なCI予測は、二酸化炭素排出量を最小限に抑えるために不可欠ですが、地域のばらつきと適応性の欠如に対処できないため、最先端の方法（カーボンキャスト）は不足しています。
これらの制限に対処するために、CI予測のための適応的なエンドツーエンドのアンサンブル学習ベースのアプローチであるEnsembleciを紹介します。
Ensembleciは、複数のサブレアナーからの加重予測を組み合わせて、柔軟性と地域の適応性の向上を提供します。
11の地域グリッドにわたる評価では、Ensembleciは一貫してカーボンキャストを上回り、ほぼすべてのグリッドで最も低い平均絶対率誤差（MAPE）を達成し、平均19.58％の予測精度を改善します。
地域の多様性が固有のためにパフォーマンスはグリッド全体で変化しますが、Ensembleciはカーボンキャストと比較して変動性を低下させ、長期予測の堅牢性を示し、地域固有の主要な機能を特定し、その解釈可能性と実用的な関連性を強調します。
これらの調査結果は、CI予測のためのより正確で信頼できるソリューションとしてEnsembleciを位置付けています。
このペーパーで使用されているEnsembleciソースコードとデータは、https：//github.com/emmayly/ensembleciで入手できます。

要約(オリジナル)

Carbon intensity (CI) measures the average carbon emissions generated per unit of electricity, making it a crucial metric for quantifying and managing the environmental impact. Accurate CI predictions are vital for minimizing carbon footprints, yet the state-of-the-art method (CarbonCast) falls short due to its inability to address regional variability and lack of adaptability. To address these limitations, we introduce EnsembleCI, an adaptive, end-to-end ensemble learning-based approach for CI forecasting. EnsembleCI combines weighted predictions from multiple sublearners, offering enhanced flexibility and regional adaptability. In evaluations across 11 regional grids, EnsembleCI consistently surpasses CarbonCast, achieving the lowest mean absolute percentage error (MAPE) in almost all grids and improving prediction accuracy by an average of 19.58%. While performance still varies across grids due to inherent regional diversity, EnsembleCI reduces variability and exhibits greater robustness in long-term forecasting compared to CarbonCast and identifies region-specific key features, underscoring its interpretability and practical relevance. These findings position EnsembleCI as a more accurate and reliable solution for CI forecasting. EnsembleCI source code and data used in this paper are available at https://github.com/emmayly/EnsembleCI.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google