論文の概要: Improving day-ahead Solar Irradiance Time Series Forecasting by
Leveraging Spatio-Temporal Context
- arxiv url: http://arxiv.org/abs/2306.01112v2
- Date: Mon, 23 Oct 2023 17:14:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-25 08:49:24.804414
- Title: Improving day-ahead Solar Irradiance Time Series Forecasting by
Leveraging Spatio-Temporal Context
- Title（参考訳）: 時空間のレバレッジによる日頭太陽照度時系列予測の改善
- Authors: Oussama Boussif, Ghait Boukachab, Dan Assouline, Stefano Massaroli,
Tianle Yuan, Loubna Benabbou, Yoshua Bengio
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 46.72071291175356
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Solar power harbors immense potential in mitigating climate change by
substantially reducing CO$_{2}$ emissions. Nonetheless, the inherent
variability of solar irradiance poses a significant challenge for seamlessly
integrating solar power into the electrical grid. While the majority of prior
research has centered on employing purely time series-based methodologies for
solar forecasting, only a limited number of studies have taken into account
factors such as cloud cover or the surrounding physical context. In this paper,
we put forth a deep learning architecture designed to harness spatio-temporal
context using satellite data, to attain highly accurate \textit{day-ahead}
time-series forecasting for any given station, with a particular emphasis on
forecasting Global Horizontal Irradiance (GHI). We also suggest a methodology
to extract a distribution for each time step prediction, which can serve as a
very valuable measure of uncertainty attached to the forecast. When evaluating
models, we propose a testing scheme in which we separate particularly difficult
examples from easy ones, in order to capture the model performances in crucial
situations, which in the case of this study are the days suffering from varying
cloudy conditions. Furthermore, we present a new multi-modal dataset gathering
satellite imagery over a large zone and time series for solar irradiance and
other related physical variables from multiple geographically diverse solar
stations. Our approach exhibits robust performance in solar irradiance
forecasting, including zero-shot generalization tests at unobserved solar
stations, and holds great promise in promoting the effective integration of
solar power into the grid.
- Abstract（参考訳）: 太陽発電はCO$_{2}$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。
それでも、太陽光の固有の変動は、太陽エネルギーを電力網にシームレスに統合する上で大きな課題となる。
従来の研究の大半は、太陽の予測に時間的な時系列に基づく手法を採用することに集中してきたが、雲や周囲の物理的文脈などの要因を考慮に入れた研究はごく少数しかなかった。
本稿では,衛星データを用いた時空間的コンテキストを活用した深層学習アーキテクチャを考案し,ghi(global horizontal irradiance)の予測に重点を置いた,任意の局に対する高精度な時系列予測を実現する。
また,予測に付随する不確実性の指標として,各時間ステップ予測毎に分布を抽出する手法を提案する。
モデルを評価する際には,重要な状況下でのモデル性能を捉えるために,特に困難な例を簡単な例から分離するテスト手法を提案する。
さらに、複数の地理的に多様な太陽観測所から、太陽放射や関連する物理的変数を観測するための、大規模なゾーンと時系列に衛星画像を収集する新しいマルチモーダルデータセットを提案する。
提案手法は、観測されていない太陽ステーションでのゼロショット一般化試験を含む太陽照射予測において堅牢な性能を示し、太陽エネルギーのグリッドへの効果的な統合を促進する上で非常に有望である。
関連論文リスト
- MambaDS: Near-Surface Meteorological Field Downscaling with Topography Constrained Selective State Space Modeling [68.69647625472464]
気象予測において重要な課題であるダウンスケーリングは、ターゲット領域に対する高解像度気象状態の再構築を可能にする。
以前のダウンスケーリング手法には気象学のための調整された設計が欠けており、構造的な限界に遭遇した。
本稿では,多変数相関と地形情報の利用性を高める新しいモデルであるMambaDSを提案する。
論文 参考訳（メタデータ） (2024-08-20T13:45:49Z) - 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) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - 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) - 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) - 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) - 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) - Solar Radiation Anomaly Events Modeling Using Spatial-Temporal Mutually
Interactive Processes [11.119904876394399]
太陽嵐は、気温、湿度、雲密度などの気象条件の影響を受けている。
本研究では,空間的・時間的対話的ベルヌーイ過程に基づいて,太陽放射データをモデル化し,モデル化する新しい手法を提案する。
論文 参考訳（メタデータ） (2021-01-27T03:02:39Z) - Short term solar energy prediction by machine learning algorithms [0.47791962198275073]
機械学習技術の強みを利用した日次太陽エネルギー予測について報告する。
線形, 尾根, ラッソ, 決定木, ランダム森林, 人工ニューラルネットワークなどのベースライン回帰器の予測モデルを実装した。
改良された精度は,2つのグリッドサイズでランダム森林と尾根回帰器によって達成されている。
論文 参考訳（メタデータ） (2020-10-25T17:56:03Z)
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。