論文の概要: Location-aware green energy availability forecasting for multiple time frames in smart buildings: The case of Estonia

• arxiv url: http://arxiv.org/abs/2210.01619v1
• Date: Tue, 4 Oct 2022 14:02:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 15:53:07.233914
• Title: Location-aware green energy availability forecasting for multiple time frames in smart buildings: The case of Estonia
• Title（参考訳）: スマートビルにおける複数時間枠の場所認識型グリーンエネルギー利用予測:エストニアの場合
• Authors: Mehdi Hatamian, Bivas Panigrahi, Chinmaya Kumar Dehury
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.5156484100374058
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Renewable Energies (RE) have gained more attention in recent years since they offer clean and sustainable energy. One of the major sustainable development goals (SDG-7) set by the United Nations (UN) is to achieve affordable and clean energy for everyone. Among the world's all renewable resources, solar energy is considered as the most abundant and can certainly fulfill the target of SDGs. Solar energy is converted into electrical energy through Photovoltaic (PV) panels with no greenhouse gas emissions. However, power generated by PV panels is highly dependent on solar radiation received at a particular location over a given time period. Therefore, it is challenging to forecast the amount of PV output power. Predicting the output power of PV systems is essential since several public or private institutes generate such green energy, and need to maintain the balance between demand and supply. This research aims to forecast PV system output power based on weather and derived features using different machine learning models. The objective is to obtain the best-fitting model to precisely predict output power by inspecting the data. Moreover, different performance metrics are used to compare and evaluate the accuracy under different machine learning models such as random forest, XGBoost, KNN, etc.
• Abstract（参考訳）: 再生可能エネルギー(RE)はクリーンで持続可能なエネルギーを提供しており、近年注目を集めている。 国連(UN)が設定した持続可能な開発目標(SDG-7)の1つは、誰でも安価でクリーンなエネルギーを達成することである。 世界の再生可能資源の中では、太陽エネルギーが最も豊富であり、SDGの目標を確実に満たすことができる。 太陽エネルギーは、温室効果ガスを放出しない太陽光発電パネルを通じて電気エネルギーに変換される。 しかし、PVパネルによって発電される電力は、特定の時間にわたって特定の場所で受信された太陽放射に大きく依存する。 したがって、PV出力の量を予測することは困難である。 いくつかの公共機関や民間機関がこのようなグリーンエネルギーを生成し、需要と供給のバランスを維持する必要があるため、PVシステムの出力パワーの予測は不可欠である。 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。 さらに、ランダムフォレスト、xgboost、knなどの異なる機械学習モデル下での精度を比較するために、異なるパフォーマンスメトリクスが使用される。

関連論文リスト

• Power Hungry Processing: Watts Driving the Cost of AI Deployment? [81.05543515700154]
  多目的生成AIシステムは、機械学習(ML)モデルを技術に組み込む統一的なアプローチを約束する。 この「一般性」という野心は、これらのシステムが必要とするエネルギー量と放出する炭素量を考えると、環境に急激なコストがかかる。 これらのモデルを用いて,代表的なベンチマークデータセット上で1,000の推論を行うのに必要なエネルギーと炭素の量として,デプロイメントコストを測定した。 本稿は、多目的MLシステムの展開動向に関する議論から締めくくり、エネルギーと排出の面でコストの増大に対して、その実用性はより意図的に重み付けされるべきである、と警告する。
  論文  参考訳（メタデータ） (2023-11-28T15:09:36Z)
• 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)
• 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)
• 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)
• An Artificial Intelligence Dataset for Solar Energy Locations in India [6.454602468926006]
  インドは2030年までに300ギガワットの太陽エネルギーを投入するという野心的な目標を掲げている。 土地利用プランナーは、PVインフラの最新の正確な地理空間情報にアクセスする必要がある。 インド全土の実用規模のソーラープロジェクトを地図化するための空間的明示的な機械学習モデルを構築した。
  論文  参考訳（メタデータ） (2022-01-31T23:53:19Z)
• SunCast: Solar Irradiance Nowcasting from Geosynchronous Satellite Data [2.285928372124628]
  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。
  論文  参考訳（メタデータ） (2022-01-17T01:55:26Z)
• Optimizing a domestic battery and solar photovoltaic system with deep reinforcement learning [69.68068088508505]
  バッテリーと太陽光発電システムのコストの低下は、ソーラーバッテリーの家庭用システムの増加に繋がった。 本研究では,システム内の電池の充電および放電挙動を最適化するために,深い決定論的ポリシーアルゴリズムを用いる。
  論文  参考訳（メタデータ） (2021-09-10T10:59:14Z)
• Comprehensive forecasting based analysis using stacked stateless and stateful Gated Recurrent Unit models [0.0]
  太陽光発電は再生可能エネルギー源であり、産業で広く利用されている。 経済的に苦しむ国では、他の再生不可能な資源が既に枯渇しているため、エネルギーの潜在的な供給源となる可能性がある。 本稿は、西ベンガルの3つの地域と、GRU(Gated Recurrent Unit)モデルを用いた外部の4つの地域における太陽放射の予測について検討する。
  論文  参考訳（メタデータ） (2020-08-12T21:13:16Z)
• Towards a Peer-to-Peer Energy Market: an Overview [68.8204255655161]
  本研究は, 電力市場を中心に, 現状と, プロシューマーによる分散型自己生成能力の増大傾向を比較した。 我々はP2P(Peer-to-Peer)エネルギー市場のための潜在的多層アーキテクチャを導入し、マイクログリッドの一部として、地域生産と地域消費の基本的な側面について議論する。 読者に全体像を示すため、スマートコントラクトやグリッド安定性といったエネルギー取引の関連要素についても精査する。
  論文  参考訳（メタデータ） (2020-03-02T20:32:10Z)

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。