ترجمه فارسی مقاله پیش‌بینی انرژی احتمالی از طریق رگرسیون کوانتیل در بازتولید فضاهای هیلبرت هسته

چکیده

Accurate energy demand forecasting is crucial for sustainable and resilient energy development. To meet the Net Zero Representative Concentration Pathways (RCP) $4.5$ scenario in the DACH countries, increased renewable energy production, energy storage, and reduced commercial building consumption are needed. This scenario’s success depends on hydroelectric capacity and climatic factors. Informed decisions require quantifying uncertainty in forecasts. This study explores a non-parametric method based on emph{reproducing kernel Hilbert spaces (RKHS)}, known as kernel quantile regression, for energy prediction. Our experiments demonstrate its reliability and sharpness, and we benchmark it against state-of-the-art methods in load and price forecasting for the DACH region. We offer our implementation in conjunction with additional scripts to ensure the reproducibility of our research.

چکیده به فارسی (ترجمه ماشینی)

پیش بینی دقیق تقاضای انرژی برای توسعه انرژی پایدار و انعطاف پذیر بسیار مهم است.برای برآورده کردن مسیرهای غلظت خالص صفر صفر (RCP) سناریوی 4.5 $ $ در کشورهای DACH ، افزایش تولید انرژی تجدید پذیر ، ذخیره انرژی و کاهش مصرف ساختمان تجاری مورد نیاز است.موفقیت این سناریو به ظرفیت هیدروالکتریک و عوامل آب و هوایی بستگی دارد.تصمیمات آگاهانه نیاز به کمیت عدم اطمینان در پیش بینی ها دارد.این مطالعه به بررسی یک روش غیر پارامتری بر اساس emph {بازتولید فضاهای هسته هیلبرت (RKHS) ، معروف به رگرسیون کوانتیل هسته ، برای پیش بینی انرژی می پردازد.آزمایشات ما قابلیت اطمینان و وضوح آن را نشان می دهد ، و ما آن را در برابر روش های پیشرفته در بار و پیش بینی قیمت برای منطقه DACH معیار می کنیم.ما اجرای خود را در رابطه با اسکریپت های اضافی ارائه می دهیم تا از تکرارپذیری تحقیقات خود اطمینان حاصل کنیم.