論文の概要: SolNet: Open-source deep learning models for photovoltaic power forecasting across the globe
- arxiv url: http://arxiv.org/abs/2405.14472v2
- Date: Thu, 30 May 2024 07:29:58 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-31 20:05:24.817259
- Title: SolNet: Open-source deep learning models for photovoltaic power forecasting across the globe
- Title（参考訳）: SolNet:世界中の太陽光発電電力予測のためのオープンソースのディープラーニングモデル
- Authors: Joris Depoortere, Johan Driesen, Johan Suykens, Hussain Syed Kazmi,
- Abstract要約: SolNetは、新しい汎用多変量太陽発電予測器である。
我々はSolNetがデータスカース設定よりも予測性能を向上させることを示す。
転校学習実践者に対するガイドラインと考察を行う。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning models have gained increasing prominence in recent years in the field of solar pho-tovoltaic (PV) forecasting. One drawback of these models is that they require a lot of high-quality data to perform well. This is often infeasible in practice, due to poor measurement infrastructure in legacy systems and the rapid build-up of new solar systems across the world. This paper proposes SolNet: a novel, general-purpose, multivariate solar power forecaster, which addresses these challenges by using a two-step forecasting pipeline which incorporates transfer learning from abundant synthetic data generated from PVGIS, before fine-tuning on observational data. Using actual production data from hundreds of sites in the Netherlands, Australia and Belgium, we show that SolNet improves forecasting performance over data-scarce settings as well as baseline models. We find transfer learning benefits to be the strongest when only limited observational data is available. At the same time we provide several guidelines and considerations for transfer learning practitioners, as our results show that weather data, seasonal patterns, amount of synthetic data and possible mis-specification in source location, can have a major impact on the results. The SolNet models created in this way are applicable for any land-based solar photovoltaic system across the planet where simulated and observed data can be combined to obtain improved forecasting capabilities.
- Abstract（参考訳）: 近年,太陽光発電(PV)予測分野において,ディープラーニングモデルの普及が進んでいる。
これらのモデルの欠点の1つは、優れたパフォーマンスを得るために多くの高品質なデータを必要とすることである。
これは、レガシーシステムにおける測定インフラの貧弱さと、世界中の新しい太陽系の急速な構築のため、実際には実現不可能であることが多い。
本稿では、PVGISから生成された豊富な合成データから移行学習を組み込んだ2段階予測パイプラインを用いて、観測データを微調整する新しい汎用多変量ソーラーパワー予測器であるSolNetを提案する。
オランダ、オーストラリア、ベルギーの数百のサイトからの実際の生産データを用いて、SolNetはデータスカース設定やベースラインモデルよりも予測性能を改善していることを示す。
限られた観測データしか利用できない場合、転送学習の利点が最強であることが分かっています。
同時に、気象データ、季節変動パターン、合成データの量、ソース位置の誤特定の可能性などが、結果に大きな影響を及ぼす可能性があることを示し、トランスファーラーニング実践者にいくつかのガイドラインと考察を行った。
この方法で作成されたSolNetモデルは、シミュレートされた観測データを組み合わせて予測能力を向上できる地球上の土地ベースの太陽太陽光発電システムに適用できる。
関連論文リスト
- Tackling Data Heterogeneity in Federated Time Series Forecasting [61.021413959988216]
時系列予測は、エネルギー消費予測、病気の伝染モニタリング、天気予報など、様々な実世界の応用において重要な役割を果たす。
既存のほとんどのメソッドは、分散デバイスから中央クラウドサーバに大量のデータを収集する、集中的なトレーニングパラダイムに依存しています。
本稿では,情報合成データを補助的知識キャリアとして生成することにより,データの均一性に対処する新しいフレームワークであるFed-TRENDを提案する。
論文 参考訳（メタデータ） (2024-11-24T04:56:45Z) - Comparing and Contrasting Deep Learning Weather Prediction Backbones on Navier-Stokes and Atmospheric Dynamics [41.00712556599439]
私たちは、最も顕著なディープラーニング天気予報モデルと背骨を比較し、対比します。
合成2次元非圧縮性ナビエストークスと実世界の気象動態を予測してこれを達成した。
365日間の長距離気象観測では、球面データ表現を定式化するアーキテクチャにおいて、優れた安定性と物理的健全性を観察する。
論文 参考訳（メタデータ） (2024-07-19T08:59:00Z) - 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) - 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) - Computational Solar Energy -- Ensemble Learning Methods for Prediction
of Solar Power Generation based on Meteorological Parameters in Eastern India [0.0]
特定の地理的位置に対して太陽光発電(PV)発電量を推定することが重要である。
本稿では,太陽PV発電における気象パラメータの影響を,Bagging,Boosting,Stacking,VottingなどのEnsemble ML(EML)モデルを用いて推定する。
その結果,スタックモデルと投票モデルでは,約96%の予測精度が得られた。
論文 参考訳（メタデータ） (2023-01-21T19:16:03Z) - Sky-image-based solar forecasting using deep learning with
multi-location data: training models locally, globally or via transfer
learning? [0.0]
ディープラーニングモデルをトレーニングする上で最大の課題のひとつは、ラベル付きデータセットの可用性だ。
近年、ますます多くの天空画像データセットがオープンソース化され、正確で信頼性の高い太陽予測手法の開発は、大きな成長の可能性を秘めている。
論文 参考訳（メタデータ） (2022-11-03T19:25:28Z) - 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) - 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) - Toward Foundation Models for Earth Monitoring: Proposal for a Climate
Change Benchmark [95.19070157520633]
近年の自己スーパービジョンの進歩は、大量の教師なしデータ上で大規模なニューラルネットワークを事前訓練することで、下流タスクの一般化が著しく増加することを示している。
基礎モデルとして最近作られたそのようなモデルは、自然言語処理の分野に転換してきた。
気候変動に関連する様々な下流タスクからなる新しいベンチマークを開発することを提案する。
論文 参考訳（メタデータ） (2021-12-01T15:38:19Z) - Short-term forecasting of global solar irradiance with incomplete data [0.0]
本研究は、日射量と日射量の1日前予測のためのパイプラインを導入する。
自動回帰統合型移動平均(ARIMA)、単層フィードフォワードネットワーク(SL-FNN)、複数層フィードフォワードネットワーク(FL-FNN)、長短期メモリ(LSTM)の4つの手法を検討する。
実験は、成野-コロンビアにある12の自動気象観測所(AWS)で収集された実世界のデータセットで実施される。
論文 参考訳（メタデータ） (2021-06-12T21:44:43Z)
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。