論文の概要: Gaussian Process Regression for Probabilistic Short-term Solar Output
Forecast
- arxiv url: http://arxiv.org/abs/2002.10878v1
- Date: Sun, 23 Feb 2020 15:54:37 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 09:59:39.854417
- Title: Gaussian Process Regression for Probabilistic Short-term Solar Output
Forecast
- Title（参考訳）: 確率的短期太陽出力予測のためのガウス過程回帰
- Authors: Fatemeh Najibi, Dimitra Apostolopoulou, and Eduardo Alonso
- Abstract要約: 本稿では,気象の不確実性を考慮した短期PV出力予測のための確率的枠組みを提案する。
我々は, 放射能, 温度, ゼニス, 方位などの気象データと出力データからなるデータセットを利用する。
提案手法を, 異なる場所にある5つの発電プラントで検証し, 既存の手法と比較した。
- 参考スコア（独自算出の注目度）: 1.7205106391379026
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With increasing concerns of climate change, renewable resources such as
photovoltaic (PV) have gained popularity as a means of energy generation. The
smooth integration of such resources in power system operations is enabled by
accurate forecasting mechanisms that address their inherent intermittency and
variability. This paper proposes a probabilistic framework to predict
short-term PV output taking into account the uncertainty of weather. To this
end, we make use of datasets that comprise of power output and meteorological
data such as irradiance, temperature, zenith, and azimuth. First, we categorise
the data into four groups based on solar output and time by using k-means
clustering. Next, a correlation study is performed to choose the weather
features which affect solar output to a greater extent. Finally, we determine a
function that relates the aforementioned selected features with solar output by
using Gaussian Process Regression and Matern 5/2 as a kernel function. We
validate our method with five solar generation plants in different locations
and compare the results with existing methodologies. More specifically, in
order to test the proposed model, two different methods are used: (i) 5-fold
cross-validation; and (ii) holding out 30 random days as test data. To confirm
the model accuracy, we apply our framework 30 independent times on each of the
four clusters. The average error follows a normal distribution, and with 95%
confidence level, it takes values between -1.6% to 1.4%.
- Abstract（参考訳）: 気候変動への懸念が高まる中、太陽光発電(pv)などの再生可能資源はエネルギー発電手段として人気が高まっている。
電力系統の運用におけるそのような資源の円滑な統合は、その固有の断続性と変動性に対処する正確な予測機構によって実現される。
本稿では,気象の不確実性を考慮した短期PV出力予測のための確率的枠組みを提案する。
この目的のために, 電力出力と照度, 温度, ゼニス, 方位などの気象データからなるデータセットを利用する。
まず,k-meansクラスタリングを用いて,太陽光出力と時間に基づいて4つのグループに分類する。
次に、太陽出力に影響を与える気象特性を広範囲に選択するための相関研究を行った。
最後に、ガウス過程回帰とMatern 5/2をカーネル関数として用いて、上記選択した特徴と太陽出力を関連付ける関数を決定する。
本手法は, 異なる場所にある5つの発電プラントで検証し, 既存の方法と比較した。
具体的には、提案したモデルをテストするために、2つの異なる方法が使用される。
(i)5倍のクロスバリデーション、及び
(ii)テストデータとして30日をランダムに保持する。
モデルの正確性を確認するために、4つのクラスタそれぞれに30回独立したフレームワークを適用する。
平均誤差は正規分布に従い、95%の信頼度で -1.6% から 1.4% の値を取る。
関連論文リスト
- Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳（メタデータ） (2023-09-12T13:28:06Z) - Improving day-ahead Solar Irradiance Time Series Forecasting by
Leveraging Spatio-Temporal Context [46.72071291175356]
太陽発電は二酸化炭素の排出量を大幅に削減することで気候変動を緩和する大きな可能性を秘めている。
しかし、太陽光の固有の変動は、電力網に太陽エネルギーをシームレスに統合する上で大きな課題となる。
本稿では,衛星データを用いた時間的文脈の活用を目的としたディープラーニングアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-06-01T19:54:39Z) - Solar Power Prediction Using Machine Learning [0.0]
本稿では,99%のAUC測定値を用いて,高精度な太陽光発電予測手法を提案する。
このアプローチには、データ収集、前処理、機能選択、モデル選択、トレーニング、評価、デプロイメントが含まれる。
訓練された機械学習モデルは生産環境にデプロイされ、ソーラー発電に関するリアルタイム予測に使用することができる。
論文 参考訳（メタデータ） (2023-03-11T06:31:46Z) - Computational Solar Energy -- Ensemble Learning Methods for Prediction
of Solar Power Generation based on Meteorological Parameters in Eastern India [0.0]
特定の地理的位置に対して太陽光発電(PV)発電量を推定することが重要である。
本稿では,太陽PV発電における気象パラメータの影響を,Bagging,Boosting,Stacking,VottingなどのEnsemble ML(EML)モデルを用いて推定する。
その結果,スタックモデルと投票モデルでは,約96%の予測精度が得られた。
論文 参考訳（メタデータ） (2023-01-21T19:16:03Z) - Incorporating Polar Field Data for Improved Solar Flare Prediction [8.035275738176107]
機械学習モデルを用いて太陽フレア予測性能を向上させるため、太陽の北と南の極域強度に関連するデータを活用することを検討する。
実験の結果,太陽フレア予測における極域データの有用性が示唆され,ハイドケスキルスコア(HSS2)は最大10.1%向上した。
論文 参考訳（メタデータ） (2022-12-04T03:06:11Z) - Data-Driven Stochastic AC-OPF using Gaussian Processes [54.94701604030199]
大量の再生可能エネルギーを電力網に統合することは、おそらく気候変動を遅らせる電力網からの二酸化炭素排出量を減らす最も有効な方法だろう。
本稿では、不確実な入力を組み込むことのできる交流電力流方程式に基づく代替データ駆動方式を提案する。
GPアプローチは、このギャップを交流電力流方程式に閉じるために、単純だが制約のないデータ駆動アプローチを学ぶ。
論文 参考訳（メタデータ） (2022-07-21T23:02:35Z) - An Energy-Based Prior for Generative Saliency [62.79775297611203]
本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。
生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。
実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
論文 参考訳（メタデータ） (2022-04-19T10:51:00Z) - Feature Construction and Selection for PV Solar Power Modeling [1.8960797847221296]
太陽光発電(PV)発電を予測するモデルを構築することで、意思決定者はエネルギー不足を補うことができる。
太陽エネルギーの出力は、光や天気など多くの要因に依存する時系列データである。
本研究では, 過去のデータをもとに, 1時間先進太陽エネルギー予測のための機械学習フレームワークを開発した。
論文 参考訳（メタデータ） (2022-02-13T06:49:28Z) - Analysis of False Data Injection Impact on AI based Solar Photovoltaic
Power Generation Forecasting [0.0]
予測可能性と安定性は、太陽エネルギーの完全活用に不可欠である。
本研究では、パブリックデータセットを用いた太陽光発電予測のための機械学習モデルについてレビューし、評価する。
論文 参考訳（メタデータ） (2021-10-12T01:44:17Z) - Physics-Informed Gaussian Process Regression for Probabilistic States
Estimation and Forecasting in Power Grids [67.72249211312723]
電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。
PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。
提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
論文 参考訳（メタデータ） (2020-10-09T14:18:31Z) - Uncertainty Inspired RGB-D Saliency Detection [70.50583438784571]
本稿では,データラベリングプロセスから学習することで,RGB-D値検出の不確実性を利用した最初のフレームワークを提案する。
そこで本研究では,確率的RGB-Dサリエンシ検出を実現するために,サリエンシデータラベリングプロセスにインスパイアされた生成アーキテクチャを提案する。
6つの挑戦的RGB-Dベンチマークデータセットの結果から,サリエンシマップの分布を学習する際のアプローチの優れた性能が示された。
論文 参考訳（メタデータ） (2020-09-07T13:01:45Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。