論文の概要: Benchmarking of Deep Learning Irradiance Forecasting Models from Sky
Images -- an in-depth Analysis
- arxiv url: http://arxiv.org/abs/2102.00721v2
- Date: Tue, 2 Feb 2021 09:08:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-03 12:52:29.872401
- Title: Benchmarking of Deep Learning Irradiance Forecasting Models from Sky
Images -- an in-depth Analysis
- Title（参考訳）: 天空画像からの深層学習照度予測モデルのベンチマーク -詳細な分析-
- Authors: Quentin Paletta, Guillaume Arbod and Joan Lasenby
- Abstract要約: 我々は4つのよく使われるディープラーニングアーキテクチャを訓練し、半球空画像のシーケンスから太陽の照度を予測する。
その結果、時間的側面の符号化は予測を大幅に改善し、10分予測スキルはテスト年度で20.4%に達した。
一般的なセットアップでは、ディープラーニングモデルは"非常にスマートな永続化モデル"のように振る舞う傾向があり、永続モデルと時間的に一致し、最もペナルティの高いエラーを軽減します。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A number of industrial applications, such as smart grids, power plant
operation, hybrid system management or energy trading, could benefit from
improved short-term solar forecasting, addressing the intermittent energy
production from solar panels. However, current approaches to modelling the
cloud cover dynamics from sky images still lack precision regarding the spatial
configuration of clouds, their temporal dynamics and physical interactions with
solar radiation. Benefiting from a growing number of large datasets, data
driven methods are being developed to address these limitations with promising
results. In this study, we compare four commonly used Deep Learning
architectures trained to forecast solar irradiance from sequences of
hemispherical sky images and exogenous variables. To assess the relative
performance of each model, we used the Forecast Skill metric based on the smart
persistence model, as well as ramp and time distortion metrics. The results
show that encoding spatiotemporal aspects of the sequence of sky images greatly
improved the predictions with 10 min ahead Forecast Skill reaching 20.4% on the
test year. However, based on the experimental data, we conclude that, with a
common setup, Deep Learning models tend to behave just as a 'very smart
persistence model', temporally aligned with the persistence model while
mitigating its most penalising errors. Thus, despite being captured by the sky
cameras, models often miss fundamental events causing large irradiance changes
such as clouds obscuring the sun. We hope that our work will contribute to a
shift of this approach to irradiance forecasting, from reactive to
anticipatory.
- Abstract（参考訳）: スマートグリッド、発電所の運用、ハイブリッドシステム管理、エネルギー取引など多くの産業応用は、ソーラーパネルからの断続的なエネルギー生産に対応するため、短期的な太陽予報の改善の恩恵を受ける可能性がある。
しかし、現在の雲を空からモデル化するアプローチでは、雲の空間的配置、時間的ダイナミクス、太陽放射との物理的相互作用に関する精度が不足している。
大規模データセットの増加によって、これらの制限に対処するためにデータ駆動メソッドが開発され、有望な結果が得られた。
本研究では、半球空画像と外生変数のシーケンスから太陽光照射を予測するために訓練された4つのDeep Learningアーキテクチャを比較した。
各モデルの相対的なパフォーマンスを評価するために、スマート永続化モデルに基づく予測スキルメトリックと、ランプと時間の歪みメトリックを使用しました。
その結果、天空画像列の時空間的側面のエンコーディングは、試験年度の予測スキルが20.4%に達したことにより、予測を大幅に改善した。
しかし、実験データに基づいて、深層学習モデルは「非常にスマートな永続化モデル」として振る舞う傾向があり、最も厄介なエラーを緩和しながら、時間的に永続化モデルと整合する傾向があると結論づけた。
したがって、スカイカメラで捉えられたにもかかわらず、モデルはしばしば太陽を遮る雲のような大きな照度変化を引き起こす基本的な事象を見逃す。
反応性から予測性まで、このアプローチの放射能予測への移行に貢献できることを願っています。
関連論文リスト
- Deep Learning and Foundation Models for Weather Prediction: A Survey [26.206143056332056]
物理学に基づく数値モデルは、何十年にもわたって大気科学の基盤となっている。
深層学習(DL)モデルは気象学の強力なツールとして登場し、複雑な気象や気候データを分析することができる。
本稿では,最近の気象予測のための深層学習モデルと基礎モデルについて述べる。
論文 参考訳（メタデータ） (2025-01-12T19:27:51Z) - Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。
具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。
また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
論文 参考訳（メタデータ） (2024-05-22T16:21:02Z) - Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
気象予報に拡散モデル(DM)を適用した新しい手法を提案する。
提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。
我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
論文 参考訳（メタデータ） (2024-02-06T21:28:42Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - Efficient Subseasonal Weather Forecast using Teleconnection-informed
Transformers [29.33938664834226]
季節的な予測は農業、水資源管理、災害の早期警戒に重要である。
機械学習の最近の進歩は、数値モデルに対する競争力のある予測能力を達成することで天気予報に革命をもたらした。
しかし、そのような基礎モデルのトレーニングには何千日ものGPU日が必要であるため、かなりの炭素排出量が発生する。
論文 参考訳（メタデータ） (2024-01-31T14:27:35Z) - Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。
提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
論文 参考訳（メタデータ） (2023-11-30T08:22:08Z) - 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) - ECLIPSE : Envisioning Cloud Induced Perturbations in Solar Energy [2.867517731896504]
ECLIPSEは、空からの雲の動きをモデル化し、将来のセグメント画像と対応する放射能レベルの両方を予測するニューラルネットワークアーキテクチャです。
ECLIPSEは重要な事象を予測し、視覚的に現実的な未来を発生させながら時間的遅延を大幅に低減することを示す。
論文 参考訳（メタデータ） (2021-04-26T09:19:43Z) - Smart Weather Forecasting Using Machine Learning:A Case Study in
Tennessee [2.9477900773805032]
本稿では,複数の気象観測所の過去のデータを利用して,シンプルな機械学習モデルを訓練する天気予報手法を提案する。
モデルの精度は、現在の最先端技術と併用するのに十分である。
論文 参考訳（メタデータ） (2020-08-25T02:41:32Z) - Convolutional Neural Networks applied to sky images for short-term solar
irradiance forecasting [0.0]
本研究は, 深部畳み込みニューラルネットワークの2～20分間の照度予測への適用に関する予備的な結果を示す。
パリザウ(フランス)で8ヶ月にわたって収集された光度測定とそれに対応する天空画像を用いて,時間分解能を2分間で評価した。
論文 参考訳（メタデータ） (2020-05-22T15:57:39Z)
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。