論文の概要: Synthetic Photovoltaic and Wind Power Forecasting Data
- arxiv url: http://arxiv.org/abs/2204.00411v1
- Date: Fri, 1 Apr 2022 13:20:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-04 18:40:39.795145
- Title: Synthetic Photovoltaic and Wind Power Forecasting Data
- Title（参考訳）: 合成太陽光発電・風力予測データ
- Authors: Stephan Vogt and Jens Schreiber and Bernhard Sick
- Abstract要約: 本稿では,リアルな合成パワーデータを用いた,オープンアクセス可能な時系列データセットを提案する。
他のパブリックおよび非パブリックなデータセットには、正確な地理的座標、タイムスタンプ、静的発電所情報がないことが多い。
このデータセットは120の太陽光発電プラントと273の風力発電プラントで構成されており、時間分解能の500日からドイツ全土に異なる側面がある。
- 参考スコア（独自算出の注目度）: 5.039779583329608
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Photovoltaic and wind power forecasts in power systems with a high share of
renewable energy are essential in several applications. These include stable
grid operation, profitable power trading, and forward-looking system planning.
However, there is a lack of publicly available datasets for research on machine
learning based prediction methods. This paper provides an openly accessible
time series dataset with realistic synthetic power data. Other publicly and
non-publicly available datasets often lack precise geographic coordinates,
timestamps, or static power plant information, e.g., to protect business
secrets. On the opposite, this dataset provides these. The dataset comprises
120 photovoltaic and 273 wind power plants with distinct sides all over Germany
from 500 days in hourly resolution. This large number of available sides allows
forecasting experiments to include spatial correlations and run experiments in
transfer and multi-task learning. It includes side-specific, power
source-dependent, non-synthetic input features from the ICON-EU weather model.
A simulation of virtual power plants with physical models and actual
meteorological measurements provides realistic synthetic power measurement time
series. These time series correspond to the power output of virtual power
plants at the location of the respective weather measurements. Since the
synthetic time series are based exclusively on weather measurements, possible
errors in the weather forecast are comparable to those in actual power data. In
addition to the data description, we evaluate the quality of
weather-prediction-based power forecasts by comparing simplified physical
models and a machine learning model. This experiment shows that forecasts
errors on the synthetic power data are comparable to real-world historical
power measurements.
- Abstract（参考訳）: 再生可能エネルギーのシェアが高い電力系統における太陽光発電と風力発電の予測は、いくつかの応用において不可欠である。
これには安定したグリッド運用、利益のある電力取引、前向きのシステム計画が含まれる。
しかし、機械学習に基づく予測方法を研究するために利用可能なデータセットが不足している。
本稿では,現実的な合成電力データを持つオープンアクセス可能な時系列データセットを提供する。
他の公開および公開されていないデータセットには、正確な地理的座標、タイムスタンプ、静的発電所情報、例えばビジネスシークレットを保護するための情報がないことが多い。
反対に、このデータセットはこれらを提供する。
このデータセットは120の太陽光発電プラントと273の風力発電プラントで構成されており、時間分解能の500日からドイツ全土に異なる側面がある。
この多数の側面によって、空間相関を含む予測実験や、転送とマルチタスク学習における実験の実行が可能になる。
ICON-EU気象モデルからのサイド固有、電源依存、非合成入力機能を含んでいる。
物理モデルと実際の気象測定による仮想発電所のシミュレーションは、現実的な合成電力測定時系列を提供する。
これらの時系列は、各気象測定位置における仮想発電所の出力に対応する。
合成時系列は気象観測のみに基づいており、気象予報の誤差は実際の電力データと同等である。
データ記述に加えて、簡易な物理モデルと機械学習モデルを比較することにより、気象予測に基づく電力予測の品質を評価する。
この実験により, 合成電力データにおける誤差の予測は, 実世界の歴史的電力測定に匹敵することがわかった。
関連論文リスト
- Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。
既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。
本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文 参考訳（メタデータ） (2024-11-24T04:56:45Z) - WeatherGFM: Learning A Weather Generalist Foundation Model via In-context Learning [69.82211470647349]
第1次一般気象基礎モデル(WeatherGFM)を紹介する。
気象理解タスクの幅広い範囲を統一的な方法で解決する。
我々のモデルは、天気予報、超解像、天気画像翻訳、後処理など、最大10の気象理解タスクを効果的に処理できる。
論文 参考訳（メタデータ） (2024-11-08T09:14:19Z) - Transformer based time series prediction of the maximum power point for solar photovoltaic cells [0.24233709516962787]
本稿では,太陽太陽電池セルにおける深層学習に基づく最大パワーポイントトラッキング(MPPT)の改良を提案する。
本稿では, 環境条件を包括的に表現する。
提案モデルでは, 広範囲の大気環境において, 強靭で動的かつ非相対的に電力点追跡を行う。
論文 参考訳（メタデータ） (2024-09-24T17:26:55Z) - FusionSF: Fuse Heterogeneous Modalities in a Vector Quantized Framework
for Robust Solar Power Forecasting [24.57911612111109]
本稿では,過去の電力データ,数値天気予報,衛星画像を統合するための多モード融合フレームワークを提案する。
本フレームワークは,新たに設置した植物に特に有用である,強いゼロショット予測能力を示す。
我々のモデルは頑丈なだけでなく、ゼロショット予測とトレーニングデータに富んだシナリオの両方において精度を高める。
論文 参考訳（メタデータ） (2024-02-08T17:03:10Z) - 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) - 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) - Physics Informed Shallow Machine Learning for Wind Speed Prediction [66.05661813632568]
イタリアの32カ所の標高10mの風速計から観測された大量の風のデータセットを分析した。
我々は、過去の風の履歴を用いて教師あり学習アルゴリズムを訓練し、その価値を将来予測する。
最適設計と性能は場所によって異なることがわかった。
論文 参考訳（メタデータ） (2022-04-01T14:55:10Z) - TENT: Tensorized Encoder Transformer for Temperature Forecasting [3.498371632913735]
天気予報のためのトランスフォーマーアーキテクチャに基づく新しいモデルを提案する。
元の変換器と3D畳み込みニューラルネットワークと比較して、提案したTENTモデルは、気象データの基本となる複雑なパターンをより良くモデル化できることを示す。
2つの実生活気象データセットの実験を行う。
論文 参考訳（メタデータ） (2021-06-28T14:17:22Z) - Prediction of Solar Radiation Using Artificial Neural Network [0.0]
本稿では,太陽放射の時間的活動を予測するアルゴリズムを提案する。
データセットは、空気の温度、時間、湿度、風速、気圧、風向き、太陽放射データで構成されている。
教師付き学習データを通じてパターンを解釈できるシステムを構築するために、2つのモデルを作成する。
論文 参考訳（メタデータ） (2021-04-01T20:41:27Z) - Smart Weather Forecasting Using Machine Learning:A Case Study in
Tennessee [2.9477900773805032]
本稿では,複数の気象観測所の過去のデータを利用して,シンプルな機械学習モデルを訓練する天気予報手法を提案する。
モデルの精度は、現在の最先端技術と併用するのに十分である。
論文 参考訳（メタデータ） (2020-08-25T02:41:32Z)
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。