論文の概要: Short term solar energy prediction by machine learning algorithms
- arxiv url: http://arxiv.org/abs/2012.00688v1
- Date: Sun, 25 Oct 2020 17:56:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-03 05:15:59.871341
- Title: Short term solar energy prediction by machine learning algorithms
- Title（参考訳）: 機械学習アルゴリズムによる短期太陽エネルギー予測
- Authors: Farah Shahid, Aneela Zameer, Mudasser Afzal, Muhammad Hassan
- Abstract要約: 機械学習技術の強みを利用した日次太陽エネルギー予測について報告する。
線形, 尾根, ラッソ, 決定木, ランダム森林, 人工ニューラルネットワークなどのベースライン回帰器の予測モデルを実装した。
改良された精度は,2つのグリッドサイズでランダム森林と尾根回帰器によって達成されている。
- 参考スコア（独自算出の注目度）: 0.47791962198275073
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Smooth power generation from solar stations demand accurate, reliable and
efficient forecast of solar energy for optimal integration to cater market
demand; however, the implicit instability of solar energy production may cause
serious problems for the smooth power generation. We report daily prediction of
solar energy by exploiting the strength of machine learning techniques to
capture and analyze complicated behavior of enormous features effectively. For
this purpose, dataset comprising of 98 solar stations has been taken from
energy competition of American Meteorological Society (AMS) for predicting
daily solar energy. Forecast models of base line regressors including linear,
ridge, lasso, decision tree, random forest and artificial neural networks have
been implemented on the AMS solar dataset. Grid size is converted into two
sections: 16x9 and 10x4 to ascertain attributes contributing more towards the
generated power from densely located stations on global ensemble forecast
system (GEFS). To evaluate the models, statistical measures of prediction error
in terms of RMSE, MAE and R2_score have been analyzed and compared with the
existing techniques. It has been observed that improved accuracy is achieved
through random forest and ridge regressor for both grid sizes in contrast to
all other proposed methods. Stability and reliability of the proposed schemes
are evaluated on a single solar station as well as on multiple independent
runs.
- Abstract（参考訳）: 太陽ステーションからのスムース発電は、需要を満たすために太陽エネルギーの正確で信頼性が高く効率的な予測を必要とするが、太陽エネルギー生産の暗黙の不安定さは、滑らかな発電に深刻な問題を引き起こす可能性がある。
機械学習の強みを利用して、膨大な特徴の複雑な挙動を効果的に捉え分析することにより、太陽エネルギーの日々の予測を報告する。
この目的のために、98の太陽ステーションからなるデータセットは、毎日の太陽エネルギーを予測するためのアメリカ気象学会(AMS)のエネルギーコンペから取られた。
線形,尾根,ラッソ,決定木,ランダム森林,人工ニューラルネットワークなどのベースライン回帰器の予測モデルは,AMS太陽データセット上に実装されている。
グリッドサイズは16x9と10x4の2つのセクションに変換され、グローバルアンサンブル予測システム (gefs) 上の密度の高い駅から発生した電力に寄与する属性を確認する。
モデルを評価するため,RMSE,MAE,R2_scoreの予測誤差の統計的測定を行い,既存の手法と比較した。
改良された精度は、他のすべての提案手法と対照的に、両方のグリッドサイズに対してランダム森林と尾根回帰器によって達成されている。
提案手法の安定性と信頼性は, 一つのソーラーステーションと複数の独立系ランで評価される。
関連論文リスト
- FusionSF: Fuse Heterogeneous Modalities in a Vector Quantized Framework
for Robust Solar Power Forecasting [24.57911612111109]
本稿では,過去の電力データ,数値天気予報,衛星画像を統合するための多モード融合フレームワークを提案する。
本フレームワークは,新たに設置した植物に特に有用である,強いゼロショット予測能力を示す。
我々のモデルは頑丈なだけでなく、ゼロショット予測とトレーニングデータに富んだシナリオの両方において精度を高める。
論文 参考訳（メタデータ） (2024-02-08T17:03:10Z) - 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) - A Comparative Study on Generative Models for High Resolution Solar
Observation Imaging [59.372588316558826]
本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。
スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
論文 参考訳（メタデータ） (2023-04-14T14:40:32Z) - 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) - 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) - A Moment in the Sun: Solar Nowcasting from Multispectral Satellite Data
using Self-Supervised Learning [4.844946519309793]
我々は、自己教師付き学習を用いた多スペクトル衛星データから、太陽流の一般的なモデルを構築した。
我々のモデルは、衛星観測に基づいて、位置の将来の太陽放射を推定する。
提案手法は,25の太陽観測地点にまたがる異なる範囲で評価し,地平線を予測できる。
論文 参考訳（メタデータ） (2021-12-28T03:13:44Z) - Solar Irradiation Forecasting using Genetic Algorithms [0.0]
太陽エネルギーは再生可能エネルギーの最も重要な貢献者の1つである。
電力グリッドの効率的な管理には、高精度な太陽光照射を予測する予測モデルが必要である。
訓練と検証に使用されるデータは、アメリカ合衆国の3つの異なる地理的ステーションから記録されている。
論文 参考訳（メタデータ） (2021-06-26T06:48:20Z) - Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using
Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。
本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。
これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
論文 参考訳（メタデータ） (2020-12-07T16:23:13Z) - 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) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。