Fugu-MT 論文翻訳(概要): WiSoSuper: Benchmarking Super-Resolution Methods on Wind and Solar Data

論文の概要: WiSoSuper: Benchmarking Super-Resolution Methods on Wind and Solar Data

arxiv url: http://arxiv.org/abs/2109.08770v1
Date: Fri, 17 Sep 2021 21:52:43 GMT
ステータス: 処理完了
システム内更新日: 2021-09-21 16:32:38.589868
Title: WiSoSuper: Benchmarking Super-Resolution Methods on Wind and Solar Data
Title（参考訳）: WiSoSuper:風と太陽データの超解法ベンチマーク
Authors: Rupa Kurinchi-Vendhan, Bj\"orn L\"utjens, Ritwik Gupta, Lucien Werner, Dava Newman, Steven Low
Abstract要約: 数値気象予測モデルによる運用予測は空間分解能が10～20kmに限られる。深層学習に基づく超解像手法のベンチマークを提供する。ベンチマークには、新しく公開され、処理され、機械学習対応のデータセットが添付されています。
参考スコア（独自算出の注目度）: 0.3558796502491039
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The transition to green energy grids depends on detailed wind and solar forecasts to optimize the siting and scheduling of renewable energy generation. Operational forecasts from numerical weather prediction models, however, only have a spatial resolution of 10 to 20-km, which leads to sub-optimal usage and development of renewable energy farms. Weather scientists have been developing super-resolution methods to increase the resolution, but often rely on simple interpolation techniques or computationally expensive differential equation-based models. Recently, machine learning-based models, specifically the physics-informed resolution-enhancing generative adversarial network (PhIREGAN), have outperformed traditional downscaling methods. We provide a thorough and extensible benchmark of leading deep learning-based super-resolution techniques, including the enhanced super-resolution generative adversarial network (ESRGAN) and an enhanced deep super-resolution (EDSR) network, on wind and solar data. We accompany the benchmark with a novel public, processed, and machine learning-ready dataset for benchmarking super-resolution methods on wind and solar data.
Abstract（参考訳）: グリーンエネルギーグリッドへの移行は、再生可能エネルギー発電の配置とスケジューリングを最適化するために、詳細な風と太陽予報に依存する。しかし, 数値天気予報モデルによる運用予測は空間分解能が10～20kmに限られており, 再生可能エネルギーファームの最適利用と開発につながる。気象科学者は、解像度を高めるために超解像法を開発してきたが、しばしば単純な補間法や計算コストの高い微分方程式に基づくモデルに依存する。近年、機械学習に基づくモデル、特に物理インフォームド分解能向上生成対向ネットワーク(PhIREGAN)は、従来のダウンスケーリング手法よりも優れている。我々は、風と太陽のデータに基づいて、ESRGAN(Super- resolution generative adversarial Network)とEDSR(Deep Super- resolution)ネットワークの強化を含む、先進的なディープラーニングベースの超解法を徹底的かつ拡張可能なベンチマークを提供する。我々は、風と太陽のデータに対する超解像法をベンチマークするための、新しいパブリック、プロセッシング、機械学習対応データセットでベンチマークに付随する。

関連論文リスト

Predicting Solar Energy Generation with Machine Learning based on AQI and Weather Features [0.0]
大気質指数と気象特性が太陽エネルギー発生に与える影響について検討する。各種機械学習アルゴリズムとConv2D長短期記憶モデルに基づくディープラーニングモデルをこれらの変換に適用する。我々は,Conv2D Long Short-Term Memoryモデルを用いた0.9691$R2$Score,0.18 MAE,0.10 RMSEを実現する。
論文参考訳（メタデータ） (2024-08-22T15:13:44Z)
Solarcast-ML: Per Node GraphCast Extension for Solar Energy Production [0.0]
このプロジェクトは、太陽エネルギー生産予測機能を統合することで、グローバル気象予報のための最先端グラフニューラルネットワーク(GNN)であるGraphCastモデルの拡張を示す。提案手法は、GraphCastが生成した天気予報を利用して、ニューラルネットワークモデルを用いて、様々な気象条件に基づいて実際の太陽出力と潜在的な太陽出力の比率を予測する。その結果, 太陽放射の正確な予測, 収束挙動, トレーニング損失の低減, および太陽放射パターンの正確な予測において, モデルの有効性が示された。
論文参考訳（メタデータ） (2024-06-19T13:47:05Z)
Efficient Deterministic Renewable Energy Forecasting Guided by Multiple-Location Weather Data [4.048814984274799]
本稿では,複数の発電施設を対象とした風力・太陽光発電予測手法を提案する。気象及びエネルギー関連時系列の時間的処理にU字型の時間的畳み込み自動エンコーダアーキテクチャを用いる。 5つのデータセットの日平均太陽・風力エネルギー予測シナリオを実験により評価し,提案手法が最上位となることを示した。
論文参考訳（メタデータ） (2024-04-26T09:30:55Z)
FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文参考訳（メタデータ） (2024-01-28T13:23:25Z)
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)
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)
Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer [112.12271800369741]
風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
論文参考訳（メタデータ） (2023-05-30T04:03:15Z)
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)
ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。気候データセットの自己教師型学習目標で事前トレーニングすることができる。気候や気候の様々な問題に対処するために、微調整が可能である。
論文参考訳（メタデータ） (2023-01-24T23:19:01Z)
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)
Short term solar energy prediction by machine learning algorithms [0.47791962198275073]
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。
論文参考訳（メタデータ） (2020-10-25T17:56:03Z)

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。