論文の概要: AutoPV: Automated photovoltaic forecasts with limited information using
an ensemble of pre-trained models
- arxiv url: http://arxiv.org/abs/2212.06797v1
- Date: Tue, 13 Dec 2022 18:29:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 15:12:53.894640
- Title: AutoPV: Automated photovoltaic forecasts with limited information using
an ensemble of pre-trained models
- Title(参考訳): AutoPV:事前学習モデルを用いた限られた情報による自動太陽光発電予測
- Authors: Stefan Meisenbacher, Benedikt Heidrich, Tim Martin, Ralf Mikut, Veit
Hagenmeyer
- Abstract要約: 本稿では,日頭PV発電予測のための新しい手法であるAutoPVを提案する。
AutoPVは、異なるPV配置を表す予測モデルの重み付けアンサンブルである。
11のPVプラントを持つ現実世界のデータセットでは、AutoPVの精度は2年間のデータに基づいてトレーニングされたモデルに匹敵し、漸進的に訓練されたモデルよりも優れています。
- 参考スコア(独自算出の注目度): 0.20999222360659608
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate PhotoVoltaic (PV) power generation forecasting is vital for the
efficient operation of Smart Grids. The automated design of such accurate
forecasting models for individual PV plants includes two challenges: First,
information about the PV mounting configuration (i.e. inclination and azimuth
angles) is often missing. Second, for new PV plants, the amount of historical
data available to train a forecasting model is limited (cold-start problem). We
address these two challenges by proposing a new method for day-ahead PV power
generation forecasts called AutoPV. AutoPV is a weighted ensemble of
forecasting models that represent different PV mounting configurations. This
representation is achieved by pre-training each forecasting model on a separate
PV plant and by scaling the model's output with the peak power rating of the
corresponding PV plant. To tackle the cold-start problem, we initially weight
each forecasting model in the ensemble equally. To tackle the problem of
missing information about the PV mounting configuration, we use new data that
become available during operation to adapt the ensemble weights to minimize the
forecasting error. AutoPV is advantageous as the unknown PV mounting
configuration is implicitly reflected in the ensemble weights, and only the PV
plant's peak power rating is required to re-scale the ensemble's output. AutoPV
also allows to represent PV plants with panels distributed on different roofs
with varying alignments, as these mounting configurations can be reflected
proportionally in the weighting. Additionally, the required computing memory is
decoupled when scaling AutoPV to hundreds of PV plants, which is beneficial in
Smart Grids with limited computing capabilities. For a real-world data set with
11 PV plants, the accuracy of AutoPV is comparable to a model trained on two
years of data and outperforms an incrementally trained model.
- Abstract(参考訳): 正確な太陽光発電(PV)発電予測はスマートグリッドの効率的な運用に不可欠である。
このようなpvプラントの正確な予測モデルの自動設計には、2つの課題がある: まず、pv実装構成(傾斜角と方位角)に関する情報が欠落することが多い。
第2に,新しいPVプラントでは,予測モデルのトレーニングに利用可能な履歴データの量は限られている(コールドスタート問題)。
本稿では,この2つの課題に,AutoPVと呼ばれる日頭PV発電予測の新しい手法を提案する。
AutoPVは、異なるPV配置を表す予測モデルの重み付けアンサンブルである。
この表現は、それぞれの予測モデルを別々のPVプラントで事前学習し、対応するPVプラントのピークパワーレーティングでモデル出力をスケールすることで達成される。
コールドスタート問題に対処するために、まず、各予測モデルをアンサンブルで等しく重み付けする。
PVの設置構成に関する情報不足に対処するため,動作中に利用可能な新しいデータを用いてアンサンブル重みを適応し,予測誤差を最小化する。
未知のPV搭載構成がアンサンブル重みに暗黙的に反映されるため、AutoPVは有利であり、アンサンブル出力を再スケールするにはPVプラントのピーク電力評価のみが必要である。
AutoPVはまた、重み付けに比例してこれらの実装構成を反映できるため、異なる屋根にパネルが配置されたPVプラントを様々なアライメントで表現することができる。
さらに、必要なコンピューティングメモリは、AutoPVを数百のPVプラントにスケーリングする際に分離される。
11のPVプラントを持つ現実世界のデータセットでは、AutoPVの精度は2年間のデータに基づいてトレーニングされたモデルに匹敵し、漸進的に訓練されたモデルを上回る。
関連論文リスト
- AutoPV: Automatically Design Your Photovoltaic Power Forecasting Model [12.87227398182766]
ニューラルアーキテクチャサーチ(NAS)技術に基づくPVPFモデルの自動探索と構築のための新しいフレームワークであるAutoPVを紹介する。
我々は、最先端(SOTA)TSFモデルと典型的なPVPF深層学習モデルから様々なデータ処理技術を取り入れたNAS検索空間を開発した。
オートPVの有効性は、中国の大慶太陽光発電所のデータセットを用いて、多種多様なPVPFタスクで評価される。
論文 参考訳(メタデータ) (2024-08-01T14:35:24Z) - Cross-variable Linear Integrated ENhanced Transformer for Photovoltaic power forecasting [2.1799192736303783]
PV-ClientはENhanced Transformerモジュールを使用して、PVシステム内の様々な機能の複雑なインタラクションをキャプチャする。
PV-Clientは、デコーダモジュールをプロジェクション層に置き換えることで、埋め込み層と位置符号化層を合理化する。
PVパワー予測におけるPV-ClientのSOTA(State-of-the-art)性能を確認する実世界の3つのPVパワーデータセットの実験結果。
論文 参考訳(メタデータ) (2024-06-06T07:30:27Z) - 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) - MATNet: Multi-Level Fusion Transformer-Based Model for Day-Ahead PV
Generation Forecasting [0.47518865271427785]
MATNetはPV発電予測のための新しい自己アテンショントランスフォーマーベースのアーキテクチャである。
これは、AIパラダイムとPV発電に関する以前の物理的知識を組み合わせたハイブリッドアプローチで構成されている。
その結果,提案アーキテクチャは現在の最先端手法よりも優れていた。
論文 参考訳(メタデータ) (2023-06-17T14:03:09Z) - 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) - PointGPT: Auto-regressively Generative Pre-training from Point Clouds [45.488532108226565]
我々はGPTの概念を点雲に拡張する新しいアプローチであるPointGPTを提案する。
具体的には、変圧器モデルの事前訓練に対して、ポイントクラウド自動回帰生成タスクを提案する。
提案手法は,ModelNet40データセットで94.9%,ScanObjectNNデータセットで93.4%の分類精度を達成し,他のトランスフォーマーモデルよりも優れている。
論文 参考訳(メタデータ) (2023-05-19T07:39:04Z) - 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) - Spatio-temporal graph neural networks for multi-site PV power
forecasting [0.0]
決定論的マルチサイト予測のための2つの新しいグラフニューラルネットワークモデルを提案する。
提案手法は,6時間前の予測地平線に対して,最先端のマルチサイト予測手法より優れていた。
論文 参考訳(メタデータ) (2021-07-29T10:15:01Z) - Principal Component Density Estimation for Scenario Generation Using
Normalizing Flows [62.997667081978825]
低次元空間における正規化フローを設定する線形主成分分析(PCA)に基づく次元還元フロー層を提案する。
当社は、2013年から2015年までのドイツにおけるPVおよび風力発電のデータと負荷需要に関する主成分フロー(PCF)を訓練しています。
論文 参考訳(メタデータ) (2021-04-21T08:42:54Z) - Ensemble Distillation for Robust Model Fusion in Federated Learning [72.61259487233214]
Federated Learning(FL)は、多くのデバイスが機械学習モデルを協調的にトレーニングする機械学習環境である。
現在のトレーニングスキームのほとんどでは、サーバモデルのパラメータと更新されたパラメータをクライアント側から平均化することで、中央モデルを洗練します。
本研究では,モデル融合のためのアンサンブル蒸留法を提案する。
論文 参考訳(メタデータ) (2020-06-12T14:49:47Z)
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。