Fugu-MT 論文翻訳(概要): Prediction of Solar Radiation Based on Spatial and Temporal Embeddings for Solar Generation Forecast

論文の概要: Prediction of Solar Radiation Based on Spatial and Temporal Embeddings for Solar Generation Forecast

arxiv url: http://arxiv.org/abs/2206.08832v1
Date: Fri, 17 Jun 2022 15:26:38 GMT
ステータス: 処理完了
システム内更新日: 2022-06-20 18:46:12.057585
Title: Prediction of Solar Radiation Based on Spatial and Temporal Embeddings for Solar Generation Forecast
Title（参考訳）: 日射予測のための空間的および時間的埋め込みに基づく太陽放射予測
Authors: Mohammad Alqudah, Tatjana Dokic, Mladen Kezunovic, Zoran Obradovic
Abstract要約: 気象データを用いたリアルタイム太陽光発電予測手法を提案する。気象観測は、予測段階で天気予報を行う間、構造化回帰モデルを訓練するために使用される。実験は、サンアントニオのTXエリアの288箇所で実施され、国立太陽放射データベースから得られた。
参考スコア（独自算出の注目度）: 3.174751774599701
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: A novel method for real-time solar generation forecast using weather data, while exploiting both spatial and temporal structural dependencies is proposed. The network observed over time is projected to a lower-dimensional representation where a variety of weather measurements are used to train a structured regression model while weather forecast is used at the inference stage. Experiments were conducted at 288 locations in the San Antonio, TX area on obtained from the National Solar Radiation Database. The model predicts solar irradiance with a good accuracy (R2 0.91 for the summer, 0.85 for the winter, and 0.89 for the global model). The best accuracy was obtained by the Random Forest Regressor. Multiple experiments were conducted to characterize influence of missing data and different time horizons providing evidence that the new algorithm is robust for data missing not only completely at random but also when the mechanism is spatial, and temporal.
Abstract（参考訳）: 気象データを用いたリアルタイム太陽発生予測のための新しい手法を提案する。時間とともに観測されたネットワークは、予測段階で天気予報を行う間、様々な気象測定を用いて構造化回帰モデルを訓練する低次元表現に投影される。実験は、サンアントニオのTXエリアの288箇所で実施され、国立太陽放射データベースから得られた。このモデルは太陽の光を精度良く予測する(夏はR2 0.91、冬は0.85、世界モデルは0.89)。最良の精度はランダム森林局が取得した。複数の実験により、新しいアルゴリズムは、ランダムなデータだけでなく、そのメカニズムが空間的、時間的にも完全に欠落するデータに対して堅牢であることを示す証拠となる、欠落データや異なる時間的地平の影響を特徴づける。

関連論文リスト

Generative Data Assimilation of Sparse Weather Station Observations at Kilometer Scales [5.453657018459705]
そこで本研究では,現実的に複雑な1kmスケールの気象条件下でのスコアベースデータ同化の実現可能性を示す。 40の気象観測所からの観測を取り入れることで、左の観測所で10%低いRMSEが達成される。ますます野心的な地域国家ジェネレータと、In situ、地上ベース、衛星リモートセンシングデータストリームの集合を組み合わす拡張を探求する時期だ。
論文参考訳（メタデータ） (2024-06-19T10:28:11Z)
FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
論文参考訳（メタデータ） (2024-01-28T13:23:25Z)
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)
Local-Global Methods for Generalised Solar Irradiance Forecasting [1.4452289368758378]
我々は、新しい場所で太陽の光を正確に予測できるモデルを作成することができることを示した。これは、新たに設置されたソーラーファームと国内施設の両方の計画と最適化を促進する可能性がある。
論文参考訳（メタデータ） (2023-03-10T16:13:35Z)
GraphCast: Learning skillful medium-range global weather forecasting [107.40054095223779]
我々は、再分析データから直接トレーニングできる「GraphCast」と呼ばれる機械学習ベースの手法を導入する。全世界で10日以上、0.25度で、数百の気象変動を1分以内で予測する。我々は,GraphCastが1380の検証対象の90%において,最も正確な運用決定システムよりも優れていることを示す。
論文参考訳（メタデータ） (2022-12-24T18:15:39Z)
Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
論文参考訳（メタデータ） (2022-11-03T17:19:43Z)
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)
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)
Low Dimensional Convolutional Neural Network For Solar Flares GOES Time Series Classification [0.0]
太陽フレア発生確率を1,3,6,12,24,48,72,96時間枠で予測するcnnを提案する。静止運用環境衛星(GOES)X線時系列データ(1998年7月から2019年1月まで)。
論文参考訳（メタデータ） (2021-01-29T12:55:57Z)
EarthNet2021: A novel large-scale dataset and challenge for forecasting localized climate impacts [12.795776149170978]
大規模な地球観測データセットにより、粗い気象情報を高解像度の地球表面予測に変換できる機械学習モデルが作成できるようになった。メソスケール気象予測に基づく衛星画像の映像予測として高分解能地球表面予測を定義します。 EarthNet 2021は、高分解能地形とメソスケール(1.28 km)の気象変数と一致する、20 mの解像度でターゲット時空間のセンチネル2衛星画像を含む新しいデータセットである。
論文参考訳（メタデータ） (2020-12-11T11:21:00Z)
A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文参考訳（メタデータ） (2020-06-13T20:53:17Z)

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。