論文の概要: Parallel-friendly Spatio-Temporal Graph Learning for Photovoltaic
Degradation Analysis at Scale
- arxiv url: http://arxiv.org/abs/2402.08470v1
- Date: Tue, 13 Feb 2024 14:00:59 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-14 15:18:49.722872
- Title: Parallel-friendly Spatio-Temporal Graph Learning for Photovoltaic
Degradation Analysis at Scale
- Title（参考訳）: 太陽光発電劣化解析のための並列親しみやすい時空間グラフ学習
- Authors: Yangxin Fan, Raymond Wieser, Laura Bruckman, Roger French, Yinghui Wu
- Abstract要約: 本稿では,太陽光発電(PV)電力網のフラッグレベルの性能解析を行うために,新しい時空間グラフニューラルネットワークを用いたトレンド分析手法(ST-GTrend)を提案する。
我々は,ST-GTrendを3つの大規模PVデータセットで評価した。
- 参考スコア（独自算出の注目度）: 7.05651628178945
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We propose a novel Spatio-Temporal Graph Neural Network empowered trend
analysis approach (ST-GTrend) to perform fleet-level performance degradation
analysis for Photovoltaic (PV) power networks. PV power stations have become an
integral component to the global sustainable energy production landscape.
Accurately estimating the performance of PV systems is critical to their
feasibility as a power generation technology and as a financial asset. One of
the most challenging problems in assessing the Levelized Cost of Energy (LCOE)
of a PV system is to understand and estimate the long-term Performance Loss
Rate (PLR) for large fleets of PV inverters. ST-GTrend integrates
spatio-temporal coherence and graph attention to separate PLR as a long-term
"aging" trend from multiple fluctuation terms in the PV input data. To cope
with diverse degradation patterns in timeseries, ST-GTrend adopts a paralleled
graph autoencoder array to extract aging and fluctuation terms simultaneously.
ST-GTrend imposes flatness and smoothness regularization to ensure the
disentanglement between aging and fluctuation. To scale the analysis to large
PV systems, we also introduce Para-GTrend, a parallel algorithm to accelerate
the training and inference of ST-GTrend. We have evaluated ST-GTrend on three
large-scale PV datasets, spanning a time period of 10 years. Our results show
that ST-GTrend reduces Mean Absolute Percent Error (MAPE) and Euclidean
Distances by 34.74% and 33.66% compared to the SOTA methods. Our results
demonstrate that Para-GTrend can speed up ST-GTrend by up to 7.92 times. We
further verify the generality and effectiveness of ST-GTrend for trend analysis
using financial and economic datasets.
- Abstract（参考訳）: 本稿では,太陽光発電(PV)電力網の性能劣化解析を行うために,新しい時空間グラフニューラルネットワークを用いたトレンド解析手法(ST-GTrend)を提案する。
PV発電所は、世界的な持続可能なエネルギー生産環境に不可欠な要素となっている。
pvシステムの性能を正確に推定することは、発電技術としておよび金融資産としてその実現に不可欠である。
PVシステムのレベルド・コスト・オブ・エナジー(LCOE)を評価する上で最も困難な問題の1つは、大規模なPVインバータの長期性能損失率(PLR)を理解して見積もることである。
ST-GTrendは時空間コヒーレンスとグラフアテンションを統合し、PV入力データ内の複数のゆらぎ項から長期の「加齢」傾向としてPLRを分離する。
時系列の多様な劣化パターンに対処するため、st-gtrendは並列グラフオートエンコーダアレイを採用し、老化と変動項を同時に抽出する。
ST-GTrendは、時効とゆらぎの絡みを確実にするため、平坦性と滑らかな正則化を課す。
また,ST-GTrendの学習と推論を高速化する並列アルゴリズムであるPara-GTrendを導入する。
我々は,ST-GTrendを3つの大規模PVデータセットで評価した。
以上の結果から,ST-GTrendはSOTA法に比べて平均絶対誤差(MAPE)とユークリッド距離を34.74%,33.66%削減することがわかった。
その結果,Para-GTrendはST-GTrendを最大7.92倍高速化できることがわかった。
金融・経済データセットを用いたトレンド分析におけるST-GTrendの一般化と有効性をさらに検証する。
関連論文リスト
- Temperature Balancing, Layer-wise Weight Analysis, and Neural Network
Training [58.20089993899729]
本稿では,直感的で効果的な階層学習手法であるTempBalanceを提案する。
我々は、TempBalanceが通常のSGDと注意深く調整されたスペクトルノルム正規化より著しく優れていることを示す。
また、TempBalanceは最先端のメトリクスやスケジューラよりも優れています。
論文 参考訳（メタデータ） (2023-12-01T05:38:17Z) - Upscaling Global Hourly GPP with Temporal Fusion Transformer (TFT) [0.0]
グロース・プライマリ・生産性は気候変動のイニシアチブを評価するのに不可欠である。
推定値は現在、わずかに分散した渦状共分散塔の場所からのみ入手可能である。
本研究では、TFT(Temporal Fusion Transformer)を用いた新しいアップスケーリングソリューションについて検討した。
論文 参考訳（メタデータ） (2023-06-23T23:29:05Z) - Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal
Transformer [112.12271800369741]
風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。
正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。
既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
論文 参考訳（メタデータ） (2023-05-30T04:03:15Z) - EasyDGL: Encode, Train and Interpret for Continuous-time Dynamic Graph Learning [92.71579608528907]
本稿では,3つのモジュールから構成される使い勝手の良いパイプライン(EasyDGL)を設計することを目的とする。
EasyDGLは、進化するグラフデータからモデルが学習する周波数コンテンツの予測力を効果的に定量化することができる。
論文 参考訳（メタデータ） (2023-03-22T06:35:08Z) - In Search of Deep Learning Architectures for Load Forecasting: A
Comparative Analysis and the Impact of the Covid-19 Pandemic on Model
Performance [0.0]
短期負荷予測(STLF)は、その信頼性、排出、コストの最適化に不可欠である。
この研究は、精度の予測と持続可能性のトレーニングに関して、Deep Learning (DL)アーキテクチャの比較研究を行う。
ケーススタディは、ポルトガルの全国15分解像度ネットロードタイムシリーズの日頭予測に焦点を当てている。
論文 参考訳（メタデータ） (2023-02-25T10:08:23Z) - Spatio-Temporal Denoising Graph Autoencoders with Data Augmentation for
Photovoltaic Timeseries Data Imputation [5.59104299391672]
本稿では,PV電力データ不足を補うために,新しい時空間デノインググラフオートエンコーダ(STD-GAE)フレームワークを提案する。
STD-GAEは、時間的相関、空間コヒーレンス、およびドメイン知識からの値依存性を利用して、欠落したデータを復元する。
実験の結果、STD-GAEは計算精度が43.14%向上し、欠落率、季節、欠落シナリオに敏感であることが示されている。
論文 参考訳（メタデータ） (2023-02-21T18:16:52Z) - Solar Power Time Series Forecasting Utilising Wavelet Coefficients [0.8602553195689513]
本研究の目的は、単一単純化モデルを用いた新しい手法を提案することにより、ウェーブレット変換(WT)の適用効率を向上させることである。
時系列とそのウェーブレット変換(WT)係数が与えられたとき、その係数を特徴として、元の時系列をラベルとして訓練する。
提案手法は、2つの実世界のデータセットから17ヶ月の集束太陽太陽光発電(PV)電力データを用いて評価される。
論文 参考訳（メタデータ） (2022-10-01T13:02:43Z) - Short-Term Power Prediction for Renewable Energy Using Hybrid Graph
Convolutional Network and Long Short-Term Memory Approach [2.218886082289257]
再生可能エネルギーの短期的なパワーは常に複雑な回帰問題とみなされてきた。
本稿では,新しいグラフニューラルネットワークを用いた短期電力予測手法を提案する。
論文 参考訳（メタデータ） (2021-11-15T18:15:31Z) - Spatio-Temporal Graph Scattering Transform [54.52797775999124]
グラフニューラルネットワークは、十分な高品質のトレーニングデータがないために、現実のシナリオでは実用的ではないかもしれない。
我々は時間的データを解析するための数学的に設計された新しいフレームワークを考案した。
論文 参考訳（メタデータ） (2020-12-06T19:49:55Z) - Stochastically forced ensemble dynamic mode decomposition for
forecasting and analysis of near-periodic systems [65.44033635330604]
本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。
固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。
電力グリッドからの負荷データを用いたテストケースの結果が提示される。
論文 参考訳（メタデータ） (2020-10-08T20:25:52Z) - Efficient and Stable Graph Scattering Transforms via Pruning [86.76336979318681]
グラフ散乱変換(GST)は、グラフデータから特徴を抽出する訓練のないディープGCNモデルを提供する。
GSTが支払う価格は、層の数によって増加する空間と時間の指数関数的な複雑さである。
本研究は, GST の複雑性の限界に対処し, 効率的な (p) GST アプローチを導入する。
論文 参考訳（メタデータ） (2020-01-27T16:05:56Z)
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。