論文の概要: Day-ahead regional solar power forecasting with hierarchical temporal
convolutional neural networks using historical power generation and weather
data
- arxiv url: http://arxiv.org/abs/2403.01653v1
- Date: Mon, 4 Mar 2024 00:09:07 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-06 20:26:59.696564
- Title: Day-ahead regional solar power forecasting with hierarchical temporal
convolutional neural networks using historical power generation and weather
data
- Title(参考訳): 歴史的発電と気象データを用いた階層的時間的畳み込みニューラルネットワークによる日頭地域太陽エネルギー予測
- Authors: Maneesha Perera, Julian De Hoog, Kasun Bandara, Damith Senanayake,
Saman Halgamuge
- Abstract要約: 本研究では,各地域における天気データと時系列(集約,個人)の両タイプを効果的に活用する,深層学習に基づく地域予測手法を提案する。
提案した研究は、西オーストラリアの101カ所から1年以上にわたって収集された大規模なデータセットを用いて評価され、予測を1日先延ばしにしている。
- 参考スコア(独自算出の注目度): 2.9884358130293056
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Regional solar power forecasting, which involves predicting the total power
generation from all rooftop photovoltaic systems in a region holds significant
importance for various stakeholders in the energy sector. However, the vast
amount of solar power generation and weather time series from geographically
dispersed locations that need to be considered in the forecasting process makes
accurate regional forecasting challenging. Therefore, previous work has limited
the focus to either forecasting a single time series (i.e., aggregated time
series) which is the addition of all solar generation time series in a region,
disregarding the location-specific weather effects or forecasting solar
generation time series of each PV site (i.e., individual time series)
independently using location-specific weather data, resulting in a large number
of forecasting models. In this work, we propose two deep-learning-based
regional forecasting methods that can effectively leverage both types of time
series (aggregated and individual) with weather data in a region. We propose
two hierarchical temporal convolutional neural network architectures (HTCNN)
and two strategies to adapt HTCNNs for regional solar power forecasting. At
first, we explore generating a regional forecast using a single HTCNN. Next, we
divide the region into multiple sub-regions based on weather information and
train separate HTCNNs for each sub-region; the forecasts of each sub-region are
then added to generate a regional forecast. The proposed work is evaluated
using a large dataset collected over a year from 101 locations across Western
Australia to provide a day ahead forecast. We compare our approaches with
well-known alternative methods and show that the sub-region HTCNN requires
fewer individual networks and achieves a forecast skill score of 40.2% reducing
a statistically significant error by 6.5% compared to the best counterpart.
- Abstract(参考訳): 地域の屋上太陽光発電システムの総発電量の予測を含む地域太陽発電予測は、エネルギーセクターにおける様々な利害関係者にとって重要な意味を持つ。
しかし、予測プロセスで考慮する必要がある地理的に分散した場所からの膨大な太陽発電と気象時系列は、正確な地域予測に困難をもたらす。
そのため、従来の研究は、地域内のすべての太陽発生時系列を付加する単一時系列(すなわち集約時系列)の予測に焦点を絞ったり、位置特異的気象効果を無視したり、位置特異的気象データを用いてそれぞれのPVサイト(すなわち個々の時系列)の太陽発生時系列を個別に予測したりすることで、多くの予測モデルを生み出した。
本研究では,各地域における天気データと時系列(集約,個人)の両タイプを効果的に活用する,深層学習に基づく地域予測手法を提案する。
本稿では,階層型時間畳み込みニューラルネットワークアーキテクチャ(htcnn)と,地域電力予測にhtcnnを適用するための2つの戦略を提案する。
まず,単一HTCNNを用いた地域予測について検討する。
次に、気象情報に基づいて地域を複数のサブリージョンに分割し、各サブリージョン毎に別個のhtcnnをトレーニングし、各サブリージョンの予測を追加して地域予測を生成する。
提案手法は,オーストラリア西部の101箇所から1年以上にわたって収集した大規模データセットを用いて評価し,1日先延ばしの予測を行った。
我々は、我々のアプローチをよく知られた代替手法と比較し、サブリージョンのHTCNNが個々のネットワークを減らし、予測スキルスコアが40.2%で統計的に有意な誤差を6.5%減少させることを示す。
関連論文リスト
- Long-term drought prediction using deep neural networks based on
geospatial weather data [78.63225885697149]
農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。
多様な時間的ニューラルネットワークモデルを用いたエンドツーエンドアプローチを導入することで、干ばつデータに対処する。
主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
論文 参考訳(メタデータ) (2023-09-12T13:28:06Z) - Advancing Parsimonious Deep Learning Weather Prediction using the
HEALPix Mesh [3.1514546001123995]
階層的等角領域等緯線画像化(HEALPix)に基づく擬似深層学習天気予報モデルを提案する。
我々は, 約110kmのメッシュ上で約3hの時間分解能で, 任意長鉛時間に対して7つの大気変数を予測した。
論文 参考訳(メタデータ) (2023-09-11T16:25:48Z) - A Spatiotemporal Deep Neural Network for Fine-Grained Multi-Horizon Wind
Prediction [3.2474405288441544]
本稿では,高精度かつ高精度な風速予測のための新しいデータ駆動モデルを提案する。
MHSTNは、シークエンス・ツー・シークエンス(Seq2Seq)バックボーンで異なる因子をターゲットにした複数のディープニューラルネットワークを統合する。
MHSTNはすでに中国で最も忙しい国際空港のスケジューリングプラットフォームに統合されている。
論文 参考訳(メタデータ) (2023-09-09T09:36:28Z) - Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。
MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。
MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
論文 参考訳(メタデータ) (2023-06-06T07:07:54Z) - Local-Global Methods for Generalised Solar Irradiance Forecasting [1.4452289368758378]
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。
これは、新たに設置されたソーラーファームと国内施設の両方の計画と最適化を促進する可能性がある。
論文 参考訳(メタデータ) (2023-03-10T16:13:35Z) - 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) - 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) - A two-step machine learning approach to statistical post-processing of
weather forecasts for power generation [0.0]
風と太陽のエネルギー源は非常に揮発性があり、グリッドオペレーターの計画が困難である。
本研究では、アンサンブル天気予報の校正のための2段階の機械学習に基づくアプローチを提案する。
論文 参考訳(メタデータ) (2022-07-15T16:38:14Z) - Forecasting large-scale circulation regimes using deformable
convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討
今後1~15日にわたって北大西洋-欧州の気象条件を予測した。
より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5~6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
論文 参考訳(メタデータ) (2022-02-10T11:37:00Z) - Sub-seasonal forecasting with a large ensemble of deep-learning weather
prediction models [6.882042556551611]
深層学習天気予報(DLWP)モデルを用いたアンサンブル予測システムを提案する。
このモデルは、立方体球格子上の畳み込みニューラルネットワーク(CNN)を用いて、グローバルな予測を生成する。
エンサンブルスプレッドは、主に32のDLWPモデルを作成するためにCNNトレーニングプロセスのランダム化によって生成される。
論文 参考訳(メタデータ) (2021-02-09T20:14:43Z) - A generative adversarial network approach to (ensemble) weather
prediction [91.3755431537592]
本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。
提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
論文 参考訳(メタデータ) (2020-06-13T20:53:17Z)
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。