論文の概要: Short-term Prediction and Filtering of Solar Power Using State-Space Gaussian Processes

• arxiv url: http://arxiv.org/abs/2302.00388v2
• Date: Thu, 30 Mar 2023 15:12:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-31 17:13:46.828421
• Title: Short-term Prediction and Filtering of Solar Power Using State-Space Gaussian Processes
• Title（参考訳）: 状態空間ガウス過程を用いた太陽エネルギーの短期予測とフィルタリング
• Authors: Sean Nassimiha, Peter Dudfield, Jack Kelly, Marc Peter Deisenroth, So Takao
• Abstract要約: 英国における太陽光発電エネルギー生産のモデル化と予測のためのガウス過程(GP)を考察する。 PVの時系列データに対するGP回帰の標準的な適用は、PVの読み出しの大きなデータサイズと非ガウス性のために実現不可能である。 これは、最近のスケーラブルなGP推論の進歩、特に現代の変分推論技術と組み合わせたGPの状態空間形式を利用することによって実現される。
• 参考スコア（独自算出の注目度）: 11.16908638844702
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Short-term forecasting of solar photovoltaic energy (PV) production is important for powerplant management. Ideally these forecasts are equipped with error bars, so that downstream decisions can account for uncertainty. To produce predictions with error bars in this setting, we consider Gaussian processes (GPs) for modelling and predicting solar photovoltaic energy production in the UK. A standard application of GP regression on the PV timeseries data is infeasible due to the large data size and non-Gaussianity of PV readings. However, this is made possible by leveraging recent advances in scalable GP inference, in particular, by using the state-space form of GPs, combined with modern variational inference techniques. The resulting model is not only scalable to large datasets but can also handle continuous data streams via Kalman filtering.
• Abstract（参考訳）: 太陽光発電エネルギー(pv)生産の短期予測は発電所管理に重要である。 理想的には、これらの予測はエラーバーを備えており、下流の決定が不確実性を説明することができる。 この設定でエラーバーによる予測を生成するために、イギリスにおける太陽熱発電のモデル化と予測のためのガウス過程(GP)を検討する。 PVの時系列データに対するGP回帰の標準的な適用は、PVの読み出しの大きなデータサイズと非ガウス性のために実現不可能である。 しかし、これは最近のスケーラブルなGP推論の進歩、特に現代の変分推論技術と組み合わせたGPの状態空間形式を利用することによって実現されている。 結果として得られるモデルは、大規模なデータセットにスケーラブルであるだけでなく、Kalmanフィルタによる継続的データストリームも処理できる。

関連論文リスト

• SolNet: Open-source deep learning models for photovoltaic power forecasting across the globe [0.0]
  SolNetは、新しい汎用多変量太陽発電予測器である。 我々はSolNetがデータスカース設定よりも予測性能を向上させることを示す。 転校学習実践者に対するガイドラインと考察を行う。
  論文  参考訳（メタデータ） (2024-05-23T12:00:35Z)
• 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)
• 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)
• Environmental Sensor Placement with Convolutional Gaussian Neural Processes [65.13973319334625]
  センサーは、特に南極のような遠隔地において、その測定の情報量が最大になるように配置することは困難である。 確率論的機械学習モデルは、予測の不確実性を最大限に低減するサイトを見つけることによって、情報的センサ配置を提案することができる。 本稿では,これらの問題に対処するために,畳み込み型ガウスニューラルプロセス(ConvGNP)を提案する。
  論文  参考訳（メタデータ） (2022-11-18T17:25:14Z)
• Data-Driven Stochastic AC-OPF using Gaussian Processes [54.94701604030199]
  大量の再生可能エネルギーを電力網に統合することは、おそらく気候変動を遅らせる電力網からの二酸化炭素排出量を減らす最も有効な方法だろう。 本稿では、不確実な入力を組み込むことのできる交流電力流方程式に基づく代替データ駆動方式を提案する。 GPアプローチは、このギャップを交流電力流方程式に閉じるために、単純だが制約のないデータ駆動アプローチを学ぶ。
  論文  参考訳（メタデータ） (2022-07-21T23:02:35Z)
• 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)
• A Moment in the Sun: Solar Nowcasting from Multispectral Satellite Data using Self-Supervised Learning [4.844946519309793]
  我々は、自己教師付き学習を用いた多スペクトル衛星データから、太陽流の一般的なモデルを構築した。 我々のモデルは、衛星観測に基づいて、位置の将来の太陽放射を推定する。 提案手法は,25の太陽観測地点にまたがる異なる範囲で評価し,地平線を予測できる。
  論文  参考訳（メタデータ） (2021-12-28T03:13:44Z)
• Analysis of False Data Injection Impact on AI based Solar Photovoltaic Power Generation Forecasting [0.0]
  予測可能性と安定性は、太陽エネルギーの完全活用に不可欠である。 本研究では、パブリックデータセットを用いた太陽光発電予測のための機械学習モデルについてレビューし、評価する。
  論文  参考訳（メタデータ） (2021-10-12T01:44:17Z)
• 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)
• Physics-Informed Gaussian Process Regression for Probabilistic States Estimation and Forecasting in Power Grids [67.72249211312723]
  電力グリッドの効率的な運転にはリアルタイム状態推定と予測が不可欠である。 PhI-GPRは3世代電力系統の位相角,角速度,風力の予測と推定に使用される。 提案手法は観測された状態と観測されていない状態の両方を正確に予測し,推定することができることを示す。
  論文  参考訳（メタデータ） (2020-10-09T14:18:31Z)
• Short-term prediction of photovoltaic power generation using Gaussian process regression [3.8386504037654534]
  本稿は,英国におけるPVシステムによるエネルギーの予測に焦点をあてる。 モデルは3つの主要な要因に対して48時間の短期予測で評価される。 また、予測期間内でのクラウドカバレッジと、予測者としての最初のクラウドカバレッジについて、非常に短期的な予測を比較します。
  論文  参考訳（メタデータ） (2020-10-05T18:35:25Z)

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。