論文の概要: Predicci\'on de radiaci\'on solar en sistemas fotovoltaicos utilizando
t\'ecnicas de aprendizaje autom\'atico
- arxiv url: http://arxiv.org/abs/2204.04313v1
- Date: Fri, 8 Apr 2022 22:17:19 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-12 17:06:05.501457
- Title: Predicci\'on de radiaci\'on solar en sistemas fotovoltaicos utilizando
t\'ecnicas de aprendizaje autom\'atico
- Title（参考訳）: aprendizaje autom\'atico を用いた太陽の日射現象の予測
- Authors: Luis Eduardo Ordo\~nez Palacios, V\'ictor Bucheli Guerrero, Hugo
Ordo\~nez
- Abstract要約: 地理的位置での太陽放射の挙動を知ることは、太陽からのエネルギーの使用に不可欠である。
GOES-13衛星から得られた画像を使用して、データセットに統合可能な変数を抽出した。
太陽放射予測における5つの機械学習アルゴリズムの性能評価を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Knowing the behavior of solar radiation at a geographic location is essential
for the use of energy from the sun using photovoltaic systems; however, the
number of stations for measuring meteorological parameters and for determining
the size of solar fields in remote areas is limited. In this work, images
obtained from the GOES-13 satellite were used, from which variables were
extracted that could be integrated into datasets from meteorological stations.
From this, 3 different models were built, on which the performance of 5 machine
learning algorithms in predicting solar radiation was evaluated. The neural
networks had the highest performance in the model that integrated the
meteorological variables and the variables obtained from the images, according
to an analysis carried out using four evaluation metrics; although if the rRMSE
is considered, all results obtained were higher than 20%, which classified the
performance of the algorithms as fair. In the 2012 dataset, the estimation
results according to the metrics MBE, R2, RMSE, and rRMSE corresponded to
-0.051, 0.880, 90.99 and 26.7%, respectively. In the 2017 dataset, the results
of MBE, R2, RMSE, and rRMSE were -0.146, 0.917, 40.97 and 22.3%, respectively.
Although it is possible to calculate solar radiation from satellite images, it
is also true that some statistical methods depend on radiation data and
sunshine captured by ground-based instruments, which is not always possible
given that the number of measurement stations on the surface is limited.
- Abstract（参考訳）: 地理的な位置における太陽放射の挙動を知ることは、太陽光発電システムを用いた太陽からのエネルギーの使用には不可欠であるが、気象パラメータの測定と遠隔地における太陽磁場の大きさの決定のためのステーションの数は限られている。
この研究では、gos-13衛星から得られた画像を用いて、気象観測所からデータセットに統合可能な変数を抽出した。
このことから、3つの異なるモデルが構築され、5つの機械学習アルゴリズムによる日射予測の性能が評価された。
4つの評価指標を用いて行った分析によれば、ニューラルネットワークは、気象変数と画像から得られる変数を統合するモデルで最も高い性能を示したが、rrmseが考慮された場合、得られたすべての結果は20%以上であり、アルゴリズムのパフォーマンスは公平であると分類された。
2012年のデータセットでは、MBE、R2、RMSE、rRMSEによる推定結果は、それぞれ-0.051、0.880、90.99、26.7%であった。
2017年のデータセットでは、MBE、R2、RMSE、rRMSEはそれぞれ-0.146、0.917、40.97、22.3%であった。
衛星画像から太陽放射を計算することは可能であるが、地上観測機器で捉えた放射データや日光に依存する統計方法もあることは事実であり、地上測定ステーションの数は限られているため、必ずしも不可能である。
関連論文リスト
- Solar potential analysis over Indian cities using high-resolution satellite imagery and DEM [0.0]
本研究では,高解像度衛星画像 (0.5 cm) とデジタル高度モデル (1 m) の入力と地上局の放射データを用いて,屋上太陽ポテンシャルを推定する新しい手法を実装した。
その結果, 季節変動や環境影響, ソーラーパネル構造などの技術的理由により, 最大50%の電力損失が生じることがわかった。
論文 参考訳（メタデータ） (2024-11-07T10:50:39Z) - Solar Power Prediction Using Satellite Data in Different Parts of Nepal [0.0]
この研究はネパールの5つの異なる地域に焦点を当て、CERES Syn1degとMERRA-2から得られた約10年間のデータセットを利用している。
その結果、R-squared(R2)スコアは、列車と試験の両方のデータセットのユニティに近く、太陽の照度を予測する精度が高いことが示唆された。
論文 参考訳（メタデータ） (2024-06-08T04:23:21Z) - Solar synthetic imaging: Introducing denoising diffusion probabilistic models on SDO/AIA data [0.0]
本研究では、生成的深層学習モデル、特にDenoising Diffusion Probabilistic Model (DDPM)を用いて、太陽現象の合成画像を作成することを提案する。
SDO宇宙船に搭載されたAIA機器のデータセットを利用することで、データ不足問題に対処することを目指している。
DDPMのパフォーマンスは、クラスタメトリクス、Frechet Inception Distance (FID)、F1スコアを用いて評価され、現実的な太陽画像を生成する上で有望な結果を示している。
論文 参考訳（メタデータ） (2024-04-03T08:18:45Z) - 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) - Solar Radiation Prediction in the UTEQ based on Machine Learning Models [0.0]
データは、ケヴェド工科大学中央キャンパス(UTEQ)のピラノメーターから得られた。
評価指標としてMean Squared Error(MSE)、Root Mean Squared Error(RMSE)、Mean Absolute Error(MAE)、決定係数(R2$)を比較した。
この研究は、グラディエント・ブースティング・レグレッショナーが優れた性能を示し、Random Forest Regressorがそれに続いたことを明らかにした。
論文 参考訳（メタデータ） (2023-12-29T15:54:45Z) - 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) - Multimodal Dataset from Harsh Sub-Terranean Environment with Aerosol
Particles for Frontier Exploration [55.41644538483948]
本稿では, エアロゾル粒子を用いた過酷で非構造的な地下環境からのマルチモーダルデータセットを提案する。
ロボットオペレーティング・システム(ROS)フォーマットのすべてのオンボードセンサーから、同期された生データ計測を含んでいる。
本研究の焦点は、時間的・空間的なデータの多様性を捉えることだけでなく、取得したデータに厳しい条件が及ぼす影響を示すことである。
論文 参考訳（メタデータ） (2023-04-27T20:21:18Z) - 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) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z) - Real-time Ionospheric Imaging of S4 Scintillation from Limited Data with
Parallel Kalman Filters and Smoothness [91.3755431537592]
南アメリカ上空350kmでS4振幅シンチレーションの2次元電離層像を時間分解能1分で作成する。
その結果, 地上受信機のネットワークが比較的良好なエリアでは, 生成画像が信頼性の高いリアルタイム結果を提供できることがわかった。
論文 参考訳（メタデータ） (2021-05-11T23:09:14Z) - 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)
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。