論文の概要: Photovoltaic power forecasting using quantum machine learning
- arxiv url: http://arxiv.org/abs/2312.16379v1
- Date: Wed, 27 Dec 2023 02:37:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-29 19:36:57.331038
- Title: Photovoltaic power forecasting using quantum machine learning
- Title(参考訳): 量子機械学習による太陽光発電電力予測
- Authors: Asel Sagingalieva, Stefan Komornyik, Arsenii Senokosov, Ayush Joshi,
Alexander Sedykh, Christopher Mansell, Olga Tsurkan, Karan Pinto, Markus
Pflitsch, and Alexey Melnikov
- Abstract要約: 太陽パネルの出力予測はエネルギー遷移を促進するために重要であるが、太陽エネルギーの変動性と非線形の性質により複雑である。
我々の研究は、これらの複雑さに対処するために設計されたハイブリッド量子ニューラルネットワークを中心とした一連のソリューションを紹介した。
最初の提案されたモデルであるHybrid Quantum Long Short-Term Memoryは、テスト対象のモデルを平均絶対誤差と平均二乗誤差を40%以上下回っている。
2つ目のモデルであるHybrid Quantum Sequence-to-Sequence Neural Networkは、事前気象データを必要とせずに、任意の時間間隔に対して平均絶対誤差を16%低くして、光電力を予測する。
- 参考スコア(独自算出の注目度): 32.73124984242397
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Predicting solar panel power output is crucial for advancing the energy
transition but is complicated by the variable and non-linear nature of solar
energy. This is influenced by numerous meteorological factors, geographical
positioning, and photovoltaic cell properties, posing significant challenges to
forecasting accuracy and grid stability. Our study introduces a suite of
solutions centered around hybrid quantum neural networks designed to tackle
these complexities. The first proposed model, the Hybrid Quantum Long
Short-Term Memory, surpasses all tested models by over 40% lower mean absolute
and mean squared errors. The second proposed model, Hybrid Quantum
Sequence-to-Sequence neural network, once trained, predicts photovoltaic power
with 16% lower mean absolute error for arbitrary time intervals without the
need for prior meteorological data, highlighting its versatility. Moreover, our
hybrid models perform better even when trained on limited datasets, underlining
their potential utility in data-scarce scenarios. These findings represent a
stride towards resolving time series prediction challenges in energy power
forecasting through hybrid quantum models, showcasing the transformative
potential of quantum machine learning in catalyzing the renewable energy
transition.
- Abstract(参考訳): ソーラーパネル出力の予測はエネルギー遷移の進行に不可欠であるが、太陽エネルギーの可変性と非線形性によって複雑である。
これは多くの気象要因、地理的位置決め、太陽電池の性質に影響され、精度とグリッド安定性の予測に重大な課題がある。
本研究は、これらの複雑性に対処するために設計されたハイブリッド量子ニューラルネットワークを中心とした一連のソリューションを提案する。
最初のモデルであるハイブリッド量子長短期記憶は、テストされた全てのモデルよりも40%低い絶対値と平均二乗誤差で上回っている。
2つ目の提案されたモデルであるHybrid Quantum Sequence-to-Sequence Neural Networkは、任意の時間間隔の平均絶対誤差を16%低く予測し、それ以前の気象データを必要としない。
さらに、私たちのハイブリッドモデルは、限られたデータセットでトレーニングしてもパフォーマンスが向上します。
これらの結果は、ハイブリッド量子モデルによるエネルギーパワー予測における時系列予測課題の解決への取り組みであり、再生可能エネルギー遷移を触媒する量子機械学習の変換ポテンシャルを示している。
関連論文リスト
- Quantum Long Short-Term Memory (QLSTM) vs Classical LSTM in Time Series Forecasting: A Comparative Study in Solar Power Forecasting [0.25128687379089687]
本研究は、ソーラー発電予測のための量子長期記憶(QLSTM)モデルと古典的長期記憶(LSTM)モデルの比較を行う。
調査の結果,トレーニング収束の加速やテスト損失の大幅な削減など,QLSTMによる有望な改善が明らかになった。
継続的な進歩により、量子機械学習は再生可能エネルギー時系列予測におけるパラダイムシフトを提供することができる。
論文 参考訳(メタデータ) (2023-10-25T22:19:05Z) - Forecasting the steam mass flow in a powerplant using the parallel
hybrid network [0.0]
本研究では,パラメタライズド量子回路と従来のフィードフォワードニューラルネットワークを組み合わせた並列ハイブリッドニューラルネットワークアーキテクチャを提案する。
その結果、並列ハイブリッドモデルは、スタンドアロンの古典的および量子的モデルよりも優れていた。
論文 参考訳(メタデータ) (2023-07-18T17:59:25Z) - 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) - Cascaded Deep Hybrid Models for Multistep Household Energy Consumption
Forecasting [5.478764356647437]
本研究は,多段階家庭電力消費予測のための2つのハイブリッドキャスケードモデルを提案する。
提案したハイブリッドモデルでは,既存のマルチステップ電力消費予測手法よりも優れた予測性能が得られる。
論文 参考訳(メタデータ) (2022-07-06T11:02:23Z) - An Energy-Based Prior for Generative Saliency [62.79775297611203]
本稿では,情報的エネルギーベースモデルを事前分布として採用する,新たな生成正当性予測フレームワークを提案する。
生成サリエンシモデルを用いて,画像から画素単位の不確実性マップを得ることができ,サリエンシ予測におけるモデル信頼度を示す。
実験結果から, エネルギーベース先行モデルを用いた生成塩分率モデルでは, 精度の高い塩分率予測だけでなく, 人間の知覚と整合した信頼性の高い不確実性マップを実現できることが示された。
論文 参考訳(メタデータ) (2022-04-19T10:51:00Z) - 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) - Learning Generative Vision Transformer with Energy-Based Latent Space
for Saliency Prediction [51.80191416661064]
本稿では,有意な物体検出に先立って,潜伏変数を持つ新しい視覚変換器を提案する。
ビジョントランスネットワークとエネルギーベース先行モデルの両方は、マルコフ連鎖モンテカルロによる最大推定を通じて共同で訓練される。
生成型視覚変換器により、画像から容易に画素単位の不確実性マップを得ることができ、画像から唾液濃度を予測するためのモデル信頼度を示す。
論文 参考訳(メタデータ) (2021-12-27T06:04:33Z) - Nuclear two point correlation functions on a quantum-computer [105.89228861548395]
我々は、現在の量子ハードウェアとエラー軽減プロトコルを使用して、高度に単純化された核モデルに対する応答関数を計算する。
この研究では、現在の量子ハードウェアとエラー軽減プロトコルを用いて、4つの格子上に3つの区別可能な核子を持つ2次元のフェルミ・ハバードモデルに対する応答関数を計算する。
論文 参考訳(メタデータ) (2021-11-04T16:25:33Z) - 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。