論文の概要: Photovoltaic power forecasting using quantum machine learning
- arxiv url: http://arxiv.org/abs/2312.16379v3
- Date: Thu, 16 Oct 2025 20:34:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-20 13:49:08.494212
- Title: Photovoltaic power forecasting using quantum machine learning
- Title（参考訳）: 量子機械学習を用いた太陽光発電電力予測
- Authors: Asel Sagingalieva, Stefan Komornyik, Arsenii Senokosov, Ayush Joshi, Christopher Mansell, Olga Tsurkan, Karan Pinto, Markus Pflitsch, Alexey Melnikov,
- Abstract要約: 本稿では,光電力の時系列予測のためのハイブリッド量子ニューラルネットワークについて検討する。
最初のHybrid Quantum Long Short-Term Memoryモデルでは、平均絶対誤差と平均2乗誤差を40%以上削減する。
第2のハイブリッド量子系列列列モデル(Hybrid Quantum Sequence-to-Sequence model)は、一度訓練されると、事前の気象入力を必要とせずに任意の予測地平線に対するパワーを予測する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate forecasting of photovoltaic power is essential for reliable grid integration, yet remains difficult due to highly variable irradiance, complex meteorological drivers, site geography, and device-specific behavior. Although contemporary machine learning has achieved successes, it is not clear that these approaches are optimal: new model classes may further enhance performance and data efficiency. We investigate hybrid quantum neural networks for time-series forecasting of photovoltaic power and introduce two architectures. The first, a Hybrid Quantum Long Short-Term Memory model, reduces mean absolute error and mean squared error by more than 40% relative to the strongest baselines evaluated. The second, a Hybrid Quantum Sequence-to-Sequence model, once trained, it predicts power for arbitrary forecast horizons without requiring prior meteorological inputs and achieves a 16% lower mean absolute error than the best baseline on this task. Both hybrid models maintain superior accuracy when training data are limited, indicating improved data efficiency. These results show that hybrid quantum models address key challenges in photovoltaic power forecasting and offer a practical route to more reliable, data-efficient energy predictions.
- Abstract（参考訳）: 光電力の正確な予測は、信頼性の高いグリッド統合には不可欠であるが、高度に可変な照射、複雑な気象要因、場所地理、デバイス固有の振る舞いのために、依然として困難である。
現代の機械学習は成功したが、これらのアプローチが最適かどうかは不明だ。
本稿では,光電力の時系列予測のためのハイブリッド量子ニューラルネットワークについて検討し,二つのアーキテクチャを導入する。
最初のHybrid Quantum Long Short-Term Memory Modelは、評価された最強ベースラインと比較して平均絶対誤差と平均2乗誤差を40%以上削減する。
第2のハイブリッド量子系列列列モデル(Hybrid Quantum Sequence-to-Sequence model)は、一度訓練されると、事前の気象入力を必要とせずに任意の予測地平線に対するパワーを予測し、このタスクの最良のベースラインよりも16%低い平均絶対誤差を達成する。
両方のハイブリッドモデルは、トレーニングデータに制限がある場合の精度が向上し、データ効率が向上することを示している。
これらの結果は、ハイブリッド量子モデルが光電力予測における重要な課題に対処し、より信頼性が高く、データ効率のよいエネルギー予測への実践的な経路を提供することを示している。
関連論文リスト
- Hybrid Quantum Recurrent Neural Network For Remaining Useful Life Prediction [67.410870290301]
本稿では、量子長短期記憶層と古典的な高密度層を組み合わせたハイブリッド量子リカレントニューラルネットワークフレームワークを提案する。
実験の結果、トレーニング可能なパラメータが少ないにもかかわらず、Hybrid Quantum Recurrent Neural Networkは、リカレントニューラルネットワークよりも最大5%改善できることがわかった。
論文 参考訳（メタデータ） (2025-04-29T14:41:41Z) - Short-Term Photovoltaic Forecasting Model for Qualifying Uncertainty during Hazy Weather [9.367926898177815]
我々は、悪天候下で不確実性を評価するために、改良されたエントロピーを導入する。
クラスタリングとアテンション機構は、計算コストを削減し、予測精度を高めるために使用される。
悪天候に関連する2つのデータセットの実験により、我々のモデルは予測精度を大幅に改善することを示した。
論文 参考訳（メタデータ） (2024-07-29T02:53:39Z) - Thermalization and Criticality on an Analog-Digital Quantum Simulator [133.58336306417294]
本稿では,69個の超伝導量子ビットからなる量子シミュレータについて述べる。
古典的Kosterlitz-Thouless相転移のシグネチャと,Kibble-Zurekスケール予測からの強い偏差を観測する。
本システムは, 対角二量体状態でディジタル的に調製し, 熱化時のエネルギーと渦の輸送を画像化する。
論文 参考訳（メタデータ） (2024-05-27T17:40:39Z) - Deep Convolutional Neural Networks for Short-Term Multi-Energy Demand Prediction of Integrated Energy Systems [49.1574468325115]
本稿では,多エネルギー消費予測のための畳み込みニューラルネットワーク(CNN)に基づく新しい6つの予測モデルを開発する。
これらのモデルは、新しい統合型電気・熱・ガスネットワークシステムに包括的に適用される。
論文 参考訳（メタデータ） (2023-12-24T14:56:23Z) - 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) - 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) - 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) - 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。