論文の概要: A two-step machine learning approach to statistical post-processing of
weather forecasts for power generation
- arxiv url: http://arxiv.org/abs/2207.07589v1
- Date: Fri, 15 Jul 2022 16:38:14 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-18 13:40:07.818620
- Title: A two-step machine learning approach to statistical post-processing of
weather forecasts for power generation
- Title（参考訳）: 発電用気象予報の統計的後処理に対する2段階機械学習手法
- Authors: \'Agnes Baran and S\'andor Baran
- Abstract要約: 風と太陽のエネルギー源は非常に揮発性があり、グリッドオペレーターの計画が困難である。
本研究では、アンサンブル天気予報の校正のための2段階の機械学習に基づくアプローチを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: By the end of 2021, the renewable energy share of the global electricity
capacity reached 38.3% and the new installations are dominated by wind and
solar energy, showing global increases of 12.7% and 18.5%, respectively.
However, both wind and photovoltaic energy sources are highly volatile making
planning difficult for grid operators, so accurate forecasts of the
corresponding weather variables are essential for reliable electricity
predictions. The most advanced approach in weather prediction is the ensemble
method, which opens the door for probabilistic forecasting; though ensemble
forecast are often underdispersive and subject to systematic bias. Hence, they
require some form of statistical post-processing, where parametric models
provide full predictive distributions of the weather variables at hand. We
propose a general two-step machine learning-based approach to calibrating
ensemble weather forecasts, where in the first step improved point forecasts
are generated, which are then together with various ensemble statistics serve
as input features of the neural network estimating the parameters of the
predictive distribution. In two case studies based of 100m wind speed and
global horizontal irradiance forecasts of the operational ensemble pre diction
system of the Hungarian Meteorological Service, the predictive performance of
this novel method is compared with the forecast skill of the raw ensemble and
the state-of-the-art parametric approaches. Both case studies confirm that at
least up to 48h statistical post-processing substantially improves the
predictive performance of the raw ensemble for all considered forecast
horizons. The investigated variants of the proposed two-step method outperform
in skill their competitors and the suggested new approach is well applicable
for different weather quantities and for a fair range of predictive
distributions.
- Abstract（参考訳）: 2021年末までに、世界の電力容量の再生可能エネルギーのシェアは38.3%に達し、新しい設備は風力と太陽エネルギーで占められ、それぞれ12.7%と18.5%増加した。
しかし、風力と太陽光発電の両方のエネルギー源は揮発性が高く、グリッドオペレーターにとって計画が難しいため、信頼性の高い電気予測には対応する気象変数の正確な予測が不可欠である。
天気予報における最も先進的なアプローチは、確率的予測の扉を開くアンサンブル法である。
したがって、パラメトリックモデルが手前の気象変数の完全な予測分布を提供するような、何らかの統計後処理を必要とする。
予測分布のパラメータを推定するニューラルネットワークの入力特徴として,様々なアンサンブル統計と合わせて,第1段階で改良されたポイント予測を生成する,アンサンブル気象予測のキャリブレーションのための,一般的な2段階機械学習に基づくアプローチを提案する。
ハンガリー気象庁のオペレーショナルアンサンブル予辞書システムの100m風速と大域的水平照度予測に基づく2つのケーススタディにおいて,本手法の予測性能を生アンサンブルの予測技術と最先端のパラメトリックアプローチと比較した。
どちらのケーススタディも、観測後48時間以内の統計処理は、すべての予測地平線に対する生のアンサンブルの予測性能を大幅に改善することを確認した。
提案手法の2段階の変種は, 競争相手のスキルに優れており, 提案手法は, 気象量や予測分布に適している。
関連論文リスト
- Enhancing multivariate post-processed visibility predictions utilizing CAMS forecasts [0.0]
天気予報には視界のアンサンブル予測が組み込まれている。
予測の信頼性と精度を高めるために、後処理が推奨される。
本研究は, 後処理後の予測が, 生・気候予測よりもかなり優れていることを確認した。
論文 参考訳（メタデータ） (2024-06-20T09:57:49Z) - ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。
また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。
提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
論文 参考訳（メタデータ） (2024-02-02T10:34:13Z) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳（メタデータ） (2023-10-17T20:30:16Z) - 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) - Statistical post-processing of visibility ensemble forecasts [0.0]
局所的,半局所的,局所的に訓練された比例確率対数回帰(POLR)と多層パーセプトロン(MLP)ニューラルネットワーク分類器の予測性能について検討した。
気候学的な予測は生のアンサンブルを広いマージンで上回るが、後処理により予測スキルが大幅に向上することを示した。
論文 参考訳（メタデータ） (2023-05-24T16:41:36Z) - 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) - When Rigidity Hurts: Soft Consistency Regularization for Probabilistic
Hierarchical Time Series Forecasting [69.30930115236228]
確率的階層的時系列予測は時系列予測の重要な変種である。
ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。
ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
論文 参考訳（メタデータ） (2022-06-16T06:13:53Z) - Machine learning methods for postprocessing ensemble forecasts of wind
gusts: A systematic comparison [0.0]
系統的な誤りを正すためにアンサンブルの天気予報を後処理することは、研究や運用において標準的な慣行となっている。
本稿では,確率論的風速予測のための8つの統計的および機械学習手法の総合的なレビューと体系的比較を行う。
本稿では,様々な確率予測型を出力とする局所適応型ニューラルネットワークの柔軟なフレームワークを提案する。
論文 参考訳（メタデータ） (2021-06-17T14:03:29Z) - Calibration of wind speed ensemble forecasts for power generation [0.0]
過去数十年間、風力発電は欧州連合で2番目に大きな電力供給源となり、電力需要の16%を占めた。
そのボラティリティのため、風力エネルギーを電気グリッドにうまく統合するには、正確な短距離風力予測が必要である。
生のアンサンブルと比較すると,ポストプロセッシングは常に確率的および精度の高い点予測のキャリブレーションを改善する。
論文 参考訳（メタデータ） (2021-04-30T11:18:03Z) - 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) - Machine learning for total cloud cover prediction [0.0]
本稿では,多層パーセプトロン(MLP)ニューラルネットワーク,勾配促進機(GBM)およびランダムフォレスト(RF)法を用いた後処理の性能について検討する。
生のアンサンブルと比較して、全ての校正法は予測スキルを著しく向上させる。
RFモデルは予測性能が最小となる一方、POLRとGBMのアプローチは最良である。
論文 参考訳（メタデータ） (2020-01-16T17:13:37Z)
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。