論文の概要: A Moment in the Sun: Solar Nowcasting from Multispectral Satellite Data
using Self-Supervised Learning
- arxiv url: http://arxiv.org/abs/2112.13974v1
- Date: Tue, 28 Dec 2021 03:13:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-31 06:33:37.756582
- Title: A Moment in the Sun: Solar Nowcasting from Multispectral Satellite Data
using Self-Supervised Learning
- Title（参考訳）: 太陽のモーメント:自己監督学習によるマルチスペクトル衛星データからの太陽観測
- Authors: Akansha Singh Bansal, Trapit Bansal, David Irwin
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 4.844946519309793
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Solar energy is now the cheapest form of electricity in history.
Unfortunately, significantly increasing the grid's fraction of solar energy
remains challenging due to its variability, which makes balancing electricity's
supply and demand more difficult. While thermal generators' ramp rate -- the
maximum rate that they can change their output -- is finite, solar's ramp rate
is essentially infinite. Thus, accurate near-term solar forecasting, or
nowcasting, is important to provide advance warning to adjust thermal generator
output in response to solar variations to ensure a balanced supply and demand.
To address the problem, this paper develops a general model for solar
nowcasting from abundant and readily available multispectral satellite data
using self-supervised learning. Specifically, we develop deep auto-regressive
models using convolutional neural networks (CNN) and long short-term memory
networks (LSTM) that are globally trained across multiple locations to predict
raw future observations of the spatio-temporal data collected by the recently
launched GOES-R series of satellites. Our model estimates a location's future
solar irradiance based on satellite observations, which we feed to a regression
model trained on smaller site-specific solar data to provide near-term solar
photovoltaic (PV) forecasts that account for site-specific characteristics. We
evaluate our approach for different coverage areas and forecast horizons across
25 solar sites and show that our approach yields errors close to that of a
model using ground-truth observations.
- Abstract（参考訳）: 太陽エネルギーは現在、歴史上最も安い電力形態である。
不幸なことに、電力供給と需要のバランスを困難にするため、電力網の太陽エネルギーのごく一部を著しく増やすことは難しいままである。
熱発生器のランプレート(出力を変えることができる最大速度)は有限だが、ソーラーのランプレートは本質的に無限である。
したがって、太陽の変動に応じて熱発生器の出力を調整し、バランスの取れた供給と需要を確保するために、正確な短期太陽予報、すなわち現在放送が重要である。
この問題に対処するため,本稿では,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日射流の一般的なモデルを開発する。
具体的には、畳み込みニューラルネットワーク(CNN)と長期短期記憶ネットワーク(LSTM)を用いた深部自己回帰モデルを構築し、複数の場所でグローバルにトレーニングし、最近打ち上げられたGOES-Rシリーズの衛星によって収集された時空間データの生の観測を予測した。
本モデルでは, 衛星観測に基づく将来の太陽照度を推定し, より小さな地域固有の太陽データに基づいて訓練された回帰モデルを用いて, 地域固有の特性を考慮に入れた短期太陽太陽光発電(PV)予測を行う。
提案手法は,25ヶ所の地表面積の異なる地域と予測地平線に対して評価し,地表面構造観測によるモデルに近い誤差を生じることを示す。
関連論文リスト
- 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) - SolNet: Open-source deep learning models for photovoltaic power forecasting across the globe [0.0]
SolNetは、新しい汎用多変量太陽発電予測器である。
我々はSolNetがデータスカース設定よりも予測性能を向上させることを示す。
転校学習実践者に対するガイドラインと考察を行う。
論文 参考訳（メタデータ） (2024-05-23T12:00:35Z) - Forecasting SEP Events During Solar Cycles 23 and 24 Using Interpretable
Machine Learning [38.321248253111776]
我々は、新しいデータプロダクトの予測可能性を評価するために、一連の機械学習戦略を用いて、事後SEPイベントの予測を行う。
データ量の増大にもかかわらず、予測精度は 0.7 + 0.1 に達し、これはこれらのベンチマークに合致するが、公表されたベンチマークを超えない。
論文 参考訳（メタデータ） (2024-03-04T23:12:17Z) - Transformer-based nowcasting of radar composites from satellite images
for severe weather [45.0983299269404]
衛星データを用いた地上レーダー画像系列を最大2時間リードするトランスフォーマーモデルを提案する。
厳しい気象条件を反映したデータセットに基づいてトレーニングされたこのモデルは、異なる気象現象の下で発生したレーダーフィールドを予測する。
このモデルは、レーダータワーを明示的に必要とせずに、大きなドメインにまたがる降水を支援することができる。
論文 参考訳（メタデータ） (2023-10-30T13:17:38Z) - Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。
本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。
評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
論文 参考訳（メタデータ） (2023-07-14T06:50:02Z) - 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) - Data-driven soiling detection in PV modules [58.6906336996604]
太陽光発電モジュールの土質比を推定する問題について検討した。
私たちのアルゴリズムの重要な利点は、ラベル付きデータでトレーニングする必要がない、土壌を推定することです。
実験により, 土質比を推定するための工法として, 現状を著しく上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2023-01-30T14:35:47Z) - Feature Construction and Selection for PV Solar Power Modeling [1.8960797847221296]
太陽光発電(PV)発電を予測するモデルを構築することで、意思決定者はエネルギー不足を補うことができる。
太陽エネルギーの出力は、光や天気など多くの要因に依存する時系列データである。
本研究では, 過去のデータをもとに, 1時間先進太陽エネルギー予測のための機械学習フレームワークを開発した。
論文 参考訳（メタデータ） (2022-02-13T06:49:28Z) - 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。