論文の概要: Achieving an Accurate Random Process Model for PV Power using Cheap
Data: Leveraging the SDE and Public Weather Reports
- arxiv url: http://arxiv.org/abs/2111.13812v1
- Date: Sat, 27 Nov 2021 04:34:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-30 19:05:57.899126
- Title: Achieving an Accurate Random Process Model for PV Power using Cheap
Data: Leveraging the SDE and Public Weather Reports
- Title（参考訳）: チープデータを用いたPV電力の高精度ランダム化プロセスモデルの実現:SDEと天気予報の活用
- Authors: Yiwei Qiu (1), Jin Lin (2), Zhipeng Zhou (3), Ningyi Dai (3), Feng Liu
(2), Yonghua Song (3 and 2) ((1) College of Electrical Engineering, Sichuan
University, (2) State Key Laboratory of the Control and Simulation of Power
Systems and Generation Equipment, Tsinghua University, (3) State Key
Laboratory of Internet of Things for Smart City, University of Macau)
- Abstract要約: PV電力の正確なSDEモデルは、低解像度の公共天気予報からの安価なデータのみを使用することで構築できる。
提案手法は,最先端のディープラーニングに基づく時系列予測手法よりも優れている。
- 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: The stochastic differential equation (SDE)-based random process models of
volatile renewable energy sources (RESs) jointly capture the evolving
probability distribution and temporal correlation in continuous time. It has
enabled recent studies to remarkably improve the performance of power system
dynamic uncertainty quantification and optimization. However, considering the
non-homogeneous random process nature of PV, there still remains a challenging
question: how can a realistic and accurate SDE model for PV power be obtained
that reflects its weather-dependent uncertainty in online operation, especially
when high-resolution numerical weather prediction (NWP) is unavailable for many
distributed plants? To fill this gap, this article finds that an accurate SDE
model for PV power can be constructed by only using the cheap data from
low-resolution public weather reports. Specifically, an hourly parameterized
Jacobi diffusion process is constructed to recreate the temporal patterns of PV
volatility during a day. Its parameters are mapped from the public weather
report using an ensemble of extreme learning machines (ELMs) to reflect the
varying weather conditions. The SDE model jointly captures intraday and
intrahour volatility. Statistical examination based on real-world data
collected in Macau shows the proposed approach outperforms a selection of
state-of-the-art deep learning-based time-series forecast methods.
- Abstract（参考訳）: 揮発性再生可能エネルギー源(RES)の確率微分方程式(SDE)に基づくランダムプロセスモデルは、連続時間における進化確率分布と時間相関を共同で捉える。
近年,電力系統の動的不確かさの定量化と最適化性能が著しく向上している。
しかし、PVの非均一なランダムプロセスの性質を考えると、特に高分解能数値天気予報(NWP)が多くの分散プラントで利用できない場合、そのオンライン運用における気象依存性の不確かさを反映した現実的で正確な太陽光発電用SDEモデルをどのように得ることができるのかという課題が残る。
このギャップを埋めるために、本稿では、低解像度の公共天気予報からの安価なデータのみを用いて、PV電力の正確なSDEモデルを構築することができることを示す。
具体的には,1日のpv変動の時間パターンを再現するために,時間毎のパラメータ化ヤコビ拡散プロセスを構築した。
そのパラメータは、様々な気象条件を反映する極端学習機械(ELM)のアンサンブルを使用して、公共の天気予報からマッピングされる。
SDEモデルは、日内と時間内ボラティリティを共同でキャプチャする。
マカオで収集された実世界のデータに基づく統計的検証は、提案手法が最先端のディープラーニングに基づく時系列予測手法の選択よりも優れていることを示している。
関連論文リスト
- ProGen: Revisiting Probabilistic Spatial-Temporal Time Series Forecasting from a Continuous Generative Perspective Using Stochastic Differential Equations [18.64802090861607]
ProGen Proは、不確実性を管理しながら依存関係を効果的にキャプチャする堅牢なソリューションを提供する。
4つのベンチマークトラフィックデータセットの実験により、ProGen Proは最先端の決定論的確率モデルより優れていることが示された。
論文 参考訳（メタデータ） (2024-11-02T14:37:30Z) - On conditional diffusion models for PDE simulations [53.01911265639582]
スパース観測の予測と同化のためのスコアベース拡散モデルについて検討した。
本稿では,予測性能を大幅に向上させる自動回帰サンプリング手法を提案する。
また,条件付きスコアベースモデルに対する新たなトレーニング戦略を提案する。
論文 参考訳（メタデータ） (2024-10-21T18:31:04Z) - Mitigating Time Discretization Challenges with WeatherODE: A Sandwich Physics-Driven Neural ODE for Weather Forecasting [20.135470301151727]
天気予報精度を向上させるために,新しい物理駆動型常微分方程式(ODE)モデルを提案する。
波動方程式理論の活用と時間依存ソースモデルの統合により、気象学は時分割誤差や動的大気過程に関連する課題を効果的に解決する。
気象予報は, 気象予報と地域気象予報の双方において優れた性能を示し, 近年の最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2024-10-09T05:41:24Z) - Weather-Informed Probabilistic Forecasting and Scenario Generation in Power Systems [15.393565192962482]
再生可能エネルギー源の電力グリッドへの統合は、その本質性と不確実性のために大きな課題を呈している。
本稿では,高次元環境下での日頭予測と風のシナリオ生成のための確率予測とガウスコプラを組み合わせる手法を提案する。
論文 参考訳（メタデータ） (2024-09-11T21:44:59Z) - Probabilistic Forecasting with Stochastic Interpolants and Föllmer Processes [18.344934424278048]
生成モデルに基づく動的システムの確率的予測のためのフレームワークを提案する。
このSDEのドリフトと拡散係数は訓練後に調整できることを示し、推定誤差の影響を最小限に抑える特定の選択がF"ollmerプロセスを与えることを示した。
論文 参考訳（メタデータ） (2024-03-20T16:33:06Z) - 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) - Diffusion Models for High-Resolution Solar Forecasts [0.0]
スコアベース拡散モデルは、多くの依存変数上の確率分布をモデル化するための新しいアプローチを提供する。
本手法は,超解速気象予測のための拡散モデルから多くの試料を発生させることにより,日頭太陽照度予測に適用する。
論文 参考訳（メタデータ） (2023-02-01T01:32:25Z) - Generative Time Series Forecasting with Diffusion, Denoise, and
Disentanglement [51.55157852647306]
時系列予測は多くのアプリケーションにおいて非常に重要な課題である。
実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。
本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
論文 参考訳（メタデータ） (2023-01-08T12:20:46Z) - PRISM: Probabilistic Real-Time Inference in Spatial World Models [52.878769723544615]
PRISMはエージェントの動きと視覚知覚の確率的生成モデルにおけるリアルタイムフィルタリングの手法である。
提案手法は10Hzでリアルタイムに動作し,小型・中型屋内環境における最先端SLAMと同等に精度が高い。
論文 参考訳（メタデータ） (2022-12-06T13:59:06Z) - Learning Interpretable Deep State Space Model for Probabilistic Time
Series Forecasting [98.57851612518758]
確率的時系列予測は、その歴史に基づいて将来の分布を推定する。
本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。
実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
論文 参考訳（メタデータ） (2021-01-31T06:49:33Z) - 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)
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。