Decision-Focused Fine-Tuning of Time Series Foundation Models for Dispatchable Feeder Optimization
Created by
- Haebom
Category
Empty
저자
Maximilian Beichter, Nils Friederich, Janik Pinter, Dorina Werling, Kaleb Phipps, Sebastian Beichter, Oliver Neumann, Ralf Mikut, Veit Hagenmeyer, Benedikt Heidrich
개요
본 논문은 에너지 시스템 최적화 문제에서 예측을 생성하기 위한 범용 솔루션으로 시간 시계열 기반 모델을 제시합니다. 기존의 기반 모델들은 예측 품질을 극대화하는 예측 중심 방식으로 훈련되는 반면, 본 논문에서는 예측 품질을 극대화하는 대신, 후속 최적화에서 예측의 가치를 직접 향상시키는 의사결정 중심 학습을 제안합니다. 특히 건물과 같이 다양한 인스턴스를 가진 복잡한 애플리케이션에서는 예측 값을 예측 모델에 통합하는 것이 어려우며, 인스턴스별 특성을 고려한 예측이 필요할 경우 더욱 복잡해집니다. 본 논문에서는 시간 시계열 기반 모델 내에서 의사결정 중심 미세 조정을 사용하여 분산 가능한 피더 최적화 문제에 적용되는 의사결정 중심 학습을 위한 확장 가능하고 효율적인 솔루션을 제공합니다. 부족한 건물 데이터에 대한 보다 강력한 예측을 얻기 위해, 소량의 매개변수로 효율적인 미세 조정을 통해 강력하고 일반화된 결과를 제공하는 최첨단 기반 모델인 Moirai를 사용합니다. 의사결정 중심 미세 조정된 Moirai와 기존의 예측 중심 미세 조정 Morai를 비교한 결과, 평균 일일 총비용이 9.45% 향상됨을 확인했습니다.
시사점, 한계점
•
시사점:
◦
시간 시계열 기반 모델을 이용한 의사결정 중심 학습이 에너지 시스템 최적화 문제에서 예측의 가치를 향상시킬 수 있음을 보여줍니다.
◦
Moirai와 같은 최첨단 기반 모델과 의사결정 중심 미세 조정을 결합하여 부족한 데이터 문제를 해결하고 효율적인 학습을 가능하게 합니다.
◦
분산 가능한 피더 최적화 문제에서 기존 방법 대비 9.45%의 비용 절감 효과를 달성했습니다.
•
한계점:
◦
본 연구는 특정 에너지 시스템(분산 가능한 피더 최적화)에 국한되어 있으며, 다른 시스템으로의 일반화 가능성에 대한 추가 연구가 필요합니다.
◦
Moirai 모델의 성능은 데이터의 질과 양에 따라 영향을 받을 수 있으며, 데이터 부족 문제에 대한 더욱 견고한 해결책이 필요할 수 있습니다.
◦
다양한 건물 유형 및 특성을 고려한 더욱 포괄적인 실험이 필요합니다.
