論文の概要: Forecasting Solar Irradiance without Direct Observation: An Empirical
Analysis
- arxiv url: http://arxiv.org/abs/2303.06010v1
- Date: Fri, 10 Mar 2023 16:13:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-13 14:35:47.409459
- Title: Forecasting Solar Irradiance without Direct Observation: An Empirical
Analysis
- Title(参考訳): 直接観測しない太陽光の予測:実証分析
- Authors: Timothy Cargan, Dario Landa-Silva, Isaac Triguero
- Abstract要約: 機械学習のアプローチと最先端のディープラーニングを比較します。
このデータにアクセスする必要のないシステムを構築することが可能であることを示す。
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。
- 参考スコア(独自算出の注目度): 1.4452289368758378
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As the use of solar power increases, having accurate and timely forecasters
will be essential for smooth grid operators. There are many proposed methods
for forecasting solar irradiance / solar power production. However, many of
these methods formulate the problem as a time-series, relying on near real-time
access to observations at the location of interest to generate forecasts. This
requires both access to a real-time stream of data and enough historical
observations for these methods to be deployed. In this paper, we conduct a
thorough analysis of effective ways to formulate the forecasting problem
comparing classical machine learning approaches to state-of-the-art deep
learning. Using data from 20 locations distributed throughout the UK and
commercially available weather data, we show that it is possible to build
systems that do not require access to this data. Leveraging weather
observations and measurements from other locations we show it is possible to
create models capable of accurately forecasting solar irradiance at new
locations. We utilise compare both satellite and ground observations (e.g.
temperature, pressure) of weather data. This could facilitate use planning and
optimisation for both newly deployed solar farms and domestic installations
from the moment they come online. Additionally, we show that training a single
global model for multiple locations can produce a more robust model with more
consistent and accurate results across locations.
- Abstract(参考訳): 太陽光発電の利用が増加するにつれ、スムースなグリッドオペレーターには正確でタイムリーな予測器が不可欠となる。
太陽光/太陽光発電の予測には多くの方法が提案されている。
しかし、これらの手法の多くは時系列として問題を定式化し、興味のある場所の観測にほぼリアルタイムでアクセスして予測を生成する。
これには、リアルタイムデータストリームへのアクセスと、これらのメソッドをデプロイするための十分な履歴観察が必要である。
本稿では,従来の機械学習手法と最先端のディープラーニングを比較し,予測問題の定式化に有効な手法を網羅的に分析する。
英国全土に分布する20カ所のデータと市販の気象データを用いて,このデータにアクセスする必要のないシステムを構築することができることを示す。
気象観測と他の場所からの観測を活用すれば、新しい場所での太陽放射を正確に予測できるモデルを作成することができる。
我々は、気象データの衛星観測と地上観測(温度、圧力など)を比較する。
これにより、新たに設置された太陽光発電所と国内施設の両方の計画と最適化が、オンライン化の瞬間から容易になる。
さらに,複数のロケーションに対して単一のグローバルモデルをトレーニングすることで,より一貫性があり正確な結果が得られることを示す。
関連論文リスト
- Towards an end-to-end artificial intelligence driven global weather
forecasting system [56.58654971803005]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。
我々は,アダスが希少な地球観測を同化して高品質な分析を行うことを示す。
我々は,提案手法を実世界のシナリオに適用した最初の人物である。
論文 参考訳(メタデータ) (2023-12-18T09:05:28Z) - 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) - Spatial-temporal Prompt Learning for Federated Weather Forecasting [50.379491498793485]
フェデレート気象予報は、異なる国や地域の参加者間で気象データを分析するための有望な協調学習フレームワークである。
本稿では,多くの分散型低リソースセンサを異なる場所に配置するフェデレート環境での気象データをモデル化する。
論文 参考訳(メタデータ) (2023-05-23T16:59:20Z) - 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) - 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) - Sky-image-based solar forecasting using deep learning with
multi-location data: training models locally, globally or via transfer
learning? [0.0]
ディープラーニングモデルをトレーニングする上で最大の課題のひとつは、ラベル付きデータセットの可用性だ。
近年、ますます多くの天空画像データセットがオープンソース化され、正確で信頼性の高い太陽予測手法の開発は、大きな成長の可能性を秘めている。
論文 参考訳(メタデータ) (2022-11-03T19:25:28Z) - 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) - Prediction of Solar Radiation Based on Spatial and Temporal Embeddings
for Solar Generation Forecast [3.174751774599701]
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。
論文 参考訳(メタデータ) (2022-06-17T15:26:38Z) - 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) - Smart Weather Forecasting Using Machine Learning:A Case Study in
Tennessee [2.9477900773805032]
本稿では,複数の気象観測所の過去のデータを利用して,シンプルな機械学習モデルを訓練する天気予報手法を提案する。
モデルの精度は、現在の最先端技術と併用するのに十分である。
論文 参考訳(メタデータ) (2020-08-25T02:41:32Z)
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。