論文の概要: SunCast: Solar Irradiance Nowcasting from Geosynchronous Satellite Data
- arxiv url: http://arxiv.org/abs/2201.06173v1
- Date: Mon, 17 Jan 2022 01:55:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-21 08:55:56.107167
- Title: SunCast: Solar Irradiance Nowcasting from Geosynchronous Satellite Data
- Title（参考訳）: サンキャスト:地球同期衛星データによる太陽照度ノキャスティング
- Authors: Dhileeban Kumaresan, Richard Wang, Ernesto Martinez, Richard Cziva,
Alberto Todeschini, Colorado J Reed, Hossein Vahabi
- Abstract要約: 本稿では,太陽フレーミングを次のフレーム予測問題として扱う畳み込み長短期記憶ネットワークモデルを提案する。
当社のモデルは、GPUを使わずに1台のマシン上で、北米全体の太陽光放射を最大3時間60秒で予測できる。
- 参考スコア（独自算出の注目度）: 2.285928372124628
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: When cloud layers cover photovoltaic (PV) panels, the amount of power the
panels produce fluctuates rapidly. Therefore, to maintain enough energy on a
power grid to match demand, utilities companies rely on reserve power sources
that typically come from fossil fuels and therefore pollute the environment.
Accurate short-term PV power prediction enables operators to maximize the
amount of power obtained from PV panels and safely reduce the reserve energy
needed from fossil fuel sources. While several studies have developed machine
learning models to predict solar irradiance at specific PV generation
facilities, little work has been done to model short-term solar irradiance on a
global scale. Furthermore, models that have been developed are proprietary and
have architectures that are not publicly available or rely on computationally
demanding Numerical Weather Prediction (NWP) models. Here, we propose a
Convolutional Long Short-Term Memory Network model that treats solar nowcasting
as a next frame prediction problem, is more efficient than NWP models and has a
straightforward, reproducible architecture. Our models can predict solar
irradiance for entire North America for up to 3 hours in under 60 seconds on a
single machine without a GPU and has a RMSE of 120 W/m2 when evaluated on 2
months of data.
- Abstract（参考訳）: 雲層が太陽光発電(pv)パネルを覆うと、パネルが生成する電力は急速に変動する。
そのため、電力網に十分なエネルギーを供給するために、電力会社は通常化石燃料から供給される予備電源に依存しているため、環境を汚染している。
正確な短期的なPV電力予測により、オペレーターはPVパネルから得られる電力量を最大化し、化石燃料源から必要な予備エネルギーを安全に削減することができる。
いくつかの研究は、特定の太陽光発電施設で太陽放射を予測するための機械学習モデルを開発したが、地球規模で短期太陽放射をモデル化するための研究はほとんど行われていない。
さらに、開発されたモデルはプロプライエタリで、公開されていない、または数値気象予測(nwp)モデルを必要とするアーキテクチャを持っている。
本稿では,nwpモデルよりも効率が良く,簡素で再現可能なアーキテクチャを有するソーラー・ナッシングを次世代のフレーム予測問題として扱う畳み込み型長期短期記憶ネットワークモデルを提案する。
われわれのモデルは、GPUを使わずに1台のマシンで最大3時間60秒で北米全土の太陽光照射を予測でき、2ヶ月のデータで評価するとRMSEは120W/m2となる。
関連論文リスト
- 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) - Counting Carbon: A Survey of Factors Influencing the Emissions of
Machine Learning [77.62876532784759]
機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。
このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。
本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
論文 参考訳（メタデータ） (2023-02-16T18:35:00Z) - 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) - Computational Solar Energy -- Ensemble Learning Methods for Prediction
of Solar Power Generation based on Meteorological Parameters in Eastern India [0.0]
特定の地理的位置に対して太陽光発電(PV)発電量を推定することが重要である。
本稿では,太陽PV発電における気象パラメータの影響を,Bagging,Boosting,Stacking,VottingなどのEnsemble ML(EML)モデルを用いて推定する。
その結果,スタックモデルと投票モデルでは,約96%の予測精度が得られた。
論文 参考訳（メタデータ） (2023-01-21T19:16:03Z) - Location-aware green energy availability forecasting for multiple time
frames in smart buildings: The case of Estonia [0.5156484100374058]
本研究の目的は、異なる機械学習モデルを用いて、天気と派生した特徴に基づいてPVシステムの出力パワーを予測することである。
目的は、データを調べて出力パワーを正確に予測する最適なモデルを得ることである。
論文 参考訳（メタデータ） (2022-10-04T14:02:43Z) - A Hybrid Model for Forecasting Short-Term Electricity Demand [59.372588316558826]
現在、英国電気市場は、規制当局が30分毎に発行する負荷(需要)予測によってガイドされている。
本稿では,機能工学(候補予測機能の選択),移動ウィンドウ予測,LSTMエンコーダデコーダを組み合わせたハイブリッド予測モデルHYENAを提案する。
論文 参考訳（メタデータ） (2022-05-20T22:13:25Z) - 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) - A Moment in the Sun: Solar Nowcasting from Multispectral Satellite Data
using Self-Supervised Learning [4.844946519309793]
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。
論文 参考訳（メタデータ） (2021-12-28T03:13:44Z) - 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。