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がますます統合される中で、配電網の運用と計画にとって極めて重要である。本論文では、フルコンボリューショナルプロファイルフロー（FCPFlow）と呼ばれる、フローベースの新しい生成モデルを紹介する。2つの新しい層–可逆線形層と可逆正規化層–を導入することで、提案するFCPFlowアーキテクチャは、従来の統計的生成モデルや現代の深層生成モデルと比較して、3つの主な利点を示す：1)天候や年間電力消費量が変化するような連続的な条件下でのRLP生成に適していること、2)従来の統計モデルと比較して、異なるデータセットにおいて優れたスケーラビリティを示すこと、3)深層生成モデルと比較して、RLPの複雑な相関を捉える上でより優れたモデリング能力を示すこと、である。

要約(オリジナル)

Residential Load Profile (RLP) generation and prediction are critical for the operation and planning of distribution networks, particularly as diverse low-carbon technologies are increasingly integrated. 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 shows superior scalability in different datasets compared to traditional statistical, 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, DeepL