論文の概要: Spatio-temporal graph neural networks for multi-site PV power forecasting

• arxiv url: http://arxiv.org/abs/2107.13875v1
• Date: Thu, 29 Jul 2021 10:15:01 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-30 13:09:07.078759
• Title: Spatio-temporal graph neural networks for multi-site PV power forecasting
• Title（参考訳）: 多地点PV電力予測のための時空間グラフニューラルネットワーク
• Authors: Jelena Simeunovi\'c, Baptiste Schubnel, Pierre-Jean Alet and Rafael E. Carrillo
• Abstract要約: 決定論的マルチサイト予測のための2つの新しいグラフニューラルネットワークモデルを提案する。 提案手法は,6時間前の予測地平線に対して,最先端のマルチサイト予測手法より優れていた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate forecasting of solar power generation with fine temporal and spatial resolution is vital for the operation of the power grid. However, state-of-the-art approaches that combine machine learning with numerical weather predictions (NWP) have coarse resolution. In this paper, we take a graph signal processing perspective and model multi-site photovoltaic (PV) production time series as signals on a graph to capture their spatio-temporal dependencies and achieve higher spatial and temporal resolution forecasts. We present two novel graph neural network models for deterministic multi-site PV forecasting dubbed the graph-convolutional long short term memory (GCLSTM) and the graph-convolutional transformer (GCTrafo) models. These methods rely solely on production data and exploit the intuition that PV systems provide a dense network of virtual weather stations. The proposed methods were evaluated in two data sets for an entire year: 1) production data from 304 real PV systems, and 2) simulated production of 1000 PV systems, both distributed over Switzerland. The proposed models outperform state-of-the-art multi-site forecasting methods for prediction horizons of six hours ahead. Furthermore, the proposed models outperform state-of-the-art single-site methods with NWP as inputs on horizons up to four hours ahead.
• Abstract（参考訳）: 電力網の運転には,時間分解能と空間分解能による太陽発電の正確な予測が不可欠である。 しかし、機械学習と数値天気予報(NWP)を組み合わせた最先端のアプローチは、粗い解像度を持つ。 本稿では,グラフ信号処理の視点と多地点太陽光発電(PV)生成時系列をグラフ上の信号として捉え,その時空間依存性を把握し,空間的および時間的解像度の予測を行う。 グラフ畳み込み長短期メモリ(GCLSTM)とグラフ畳み込みトランスフォーマー(GCTrafo)モデルと呼ばれる,決定論的多地点PV予測のための2つの新しいグラフニューラルネットワークモデルを提案する。 これらの手法は生産データのみに依存し、PVシステムが仮想気象観測所の密集したネットワークを提供するという直感を利用する。 提案手法は, 1 台の実 pv システムからの生産データ, 2 台のスイスで配布された 1000 台の pv システムをシミュレートした2 台のデータセットで1年間評価した。 提案手法は6時間前の予測地平線に対する最先端のマルチサイト予測手法より優れている。 さらに,提案手法は,nwpをインプットとする最先端のシングルサイトメソッドを最大4時間先行する。

関連論文リスト

• Observation-Guided Meteorological Field Downscaling at Station Scale: A Benchmark and a New Method [66.80344502790231]
  気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。 データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。 提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
  論文  参考訳（メタデータ） (2024-01-22T14:02:56Z)
• FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
  現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。 提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-10T17:13:26Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• 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)
• Forecasting Intraday Power Output by a Set of PV Systems using Recurrent Neural Networks and Physical Covariates [0.0]
  PhotoVoltaic(PV)システムによる出力の正確な予測は、エネルギー分配グリッドの動作を改善するために重要である。 このような日内予測の実現を目的とした神経自己回帰モデルについて述べる。
  論文  参考訳（メタデータ） (2023-03-15T09:03:58Z)
• AutoPV: Automated photovoltaic forecasts with limited information using an ensemble of pre-trained models [0.20999222360659608]
  本稿では,日頭PV発電予測のための新しい手法であるAutoPVを提案する。 AutoPVは、異なるPV配置を表す予測モデルの重み付けアンサンブルである。 11のPVプラントを持つ現実世界のデータセットでは、AutoPVの精度は2年間のデータに基づいてトレーニングされたモデルに匹敵し、漸進的に訓練されたモデルよりも優れています。
  論文  参考訳（メタデータ） (2022-12-13T18:29:03Z)
• Multivariate Time Series Forecasting with Dynamic Graph Neural ODEs [65.18780403244178]
  動的グラフニューラル正規微分方程式(MTGODE)を用いた多変量時系列予測連続モデルを提案する。 具体的には、まず、時間進化するノードの特徴と未知のグラフ構造を持つ動的グラフに多変量時系列を抽象化する。 そして、欠落したグラフトポロジを補完し、空間的および時間的メッセージパッシングを統一するために、ニューラルODEを設計、解決する。
  論文  参考訳（メタデータ） (2022-02-17T02:17:31Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)
• Forecasting Photovoltaic Power Production using a Deep Learning Sequence to Sequence Model with Attention [0.0]
  本稿では,PV発電のエンド・ツー・エンド予測のための教師付きディープラーニングモデルを提案する。 提案モデルは2つの基本概念に基づいており、他のシーケンス関連分野の大幅な性能向上につながった。 その結果、新しい設計は、PV電力予測技術の現在の状態以上で実行可能であることがわかった。
  論文  参考訳（メタデータ） (2020-08-06T17:20:08Z)
• An Integrated Multi-Time-Scale Modeling for Solar Irradiance Forecasting Using Deep Learning [1.52292571922932]
  太陽エネルギーの非定常特性のため、短期的な太陽照度予測は困難である。 日内太陽光のマルチスケール予測のための統一アーキテクチャを提案する。 提案手法は,全試験場の平均RMSEを71.5%削減する。
  論文  参考訳（メタデータ） (2019-05-07T14:40:32Z)
• PVNet: A LRCN Architecture for Spatio-Temporal Photovoltaic PowerForecasting from Numerical Weather Prediction [2.913033886371052]
  数値気象予測(NWP)を用いた長期反復畳み込みネットワークを導入し,24時間および48時間の予測地平線におけるPV生産を予測した。 我々は,国立海洋大気庁(NOAA)のNWPデータセットを用いて,ドイツにおける空間的に集積されたPV生産を予測する。
  論文  参考訳（メタデータ） (2019-02-04T20:30:24Z)

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。