論文の概要: Physics-guided machine learning predicts the planet-scale performance of solar farms with sparse, heterogeneous, public data

• arxiv url: http://arxiv.org/abs/2407.18284v1
• Date: Thu, 25 Jul 2024 08:06:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-29 15:18:53.295449
• Title: Physics-guided machine learning predicts the planet-scale performance of solar farms with sparse, heterogeneous, public data
• Title（参考訳）: 物理誘導型機械学習は、希薄で異質な公共データを持つソーラーファームの惑星規模の性能を予測する
• Authors: Jabir Bin Jahangir, Muhammad Ashraful Alam,
• Abstract要約: 新興PV技術の可能性とスケーラビリティを予測するためには,これらのシステムの性能のグローバルな理解が不可欠である。 a)世界はPVZonesと呼ばれるいくつかのPV固有の気候ゾーンに分けて、関連する気象条件が大陸間で共有されていること、(b)気候的類似性を利用して、5か所の高品質な月次エネルギー収量データを用いて、空間分解能の高い年間エネルギー収量電位を正確に予測し、根平均二乗誤差が8m$2,000ドル未満であることを示すための、物理学誘導機械学習(PGML)スキームを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The photovoltaics (PV) technology landscape is evolving rapidly. To predict the potential and scalability of emerging PV technologies, a global understanding of these systems' performance is essential. Traditionally, experimental and computational studies at large national research facilities have focused on PV performance in specific regional climates. However, synthesizing these regional studies to understand the worldwide performance potential has proven difficult. Given the expense of obtaining experimental data, the challenge of coordinating experiments at national labs across a politically-divided world, and the data-privacy concerns of large commercial operators, however, a fundamentally different, data-efficient approach is desired. Here, we present a physics-guided machine learning (PGML) scheme to demonstrate that: (a) The world can be divided into a few PV-specific climate zones, called PVZones, illustrating that the relevant meteorological conditions are shared across continents; (b) by exploiting the climatic similarities, high-quality monthly energy yield data from as few as five locations can accurately predict yearly energy yield potential with high spatial resolution and a root mean square error of less than 8 kWhm$^{2}$, and (c) even with noisy, heterogeneous public PV performance data, the global energy yield can be predicted with less than 6% relative error compared to physics-based simulations provided that the dataset is representative. This PGML scheme is agnostic to PV technology and farm topology, making it adaptable to new PV technologies or farm configurations. The results encourage physics-guided, data-driven collaboration among national policymakers and research organizations to build efficient decision support systems for accelerated PV qualification and deployment across the world.
• Abstract（参考訳）: 太陽光発電(PV)技術の展望は急速に進化している。 新興PV技術の可能性とスケーラビリティを予測するためには,これらのシステムの性能のグローバルな理解が不可欠である。 伝統的に、大規模な国立研究施設における実験的および計算的研究は、特定の地域気候におけるPVの性能に焦点を当ててきた。 しかし、これらの地域研究をグローバルなパフォーマンスの可能性を理解するために合成することは困難であることが証明された。 実験データを取得する費用を考えれば、政治的に分断された世界における国立研究所の実験をコーディネートすることの難しさや、大規模商業事業者のデータプライバシに関する懸念は、基本的に異なる、データ効率のアプローチが望まれている。 ここでは,物理誘導型機械学習(PGML)方式について述べる。 (a)世界は、PVZonesと呼ばれるいくつかのPV固有の気候帯に分けられ、関連する気象条件が大陸間で共有されていることを説明できる。 (b)気候の類似性を利用して,5か所程度の高品質な月次エネルギー収量は,空間分解能が高く根平均2乗誤差が8kWhm$^{2}$未満の年次エネルギー収率を正確に予測することができる。 (c) 不均質な公共PV性能データであっても, データセットが代表的であると仮定した物理シミュレーションと比較して, 地球全体のエネルギー収量は6%未満の誤差で予測できる。 このPGML方式は、PV技術や農地のトポロジーに非依存であり、新しいPV技術や農地の設定に適応できる。 その結果、全国の政策立案者や研究機関による物理誘導型データ駆動型協力により、PVの資格と展開を加速するための効率的な意思決定支援システムの構築が促進された。

関連論文リスト

• A Generative AI Technique for Synthesizing a Digital Twin for U.S. Residential Solar Adoption and Generation [0.6144680854063939]
  本稿では,米国全土の屋上ソーラー導入のための,きめ細かな,住宅規模の現実的なデータセットを作成するための新しい手法について論じる。 データ駆動方式は、(i)PV導入者を識別するための統合機械学習モデル、(ii)説明可能なAI技術を用いてデータを増強する方法、(iii)家庭レベルの太陽エネルギー出力を生成する方法からなる。 生成された合成データセットは実世界のデータを使用して検証され、下流タスクをモデリングするためのデジタルツインとして機能する。
  論文  参考訳（メタデータ） (2024-10-10T16:41:43Z)
• SolarSAM: Building-scale Photovoltaic Potential Assessment Based on Segment Anything Model (SAM) and Remote Sensing for Emerging City [0.0]
  本研究では,リモートセンシング画像とディープラーニング技術を活用した新しいBIPV評価手法であるSolarSAMを紹介する。 プロセス中、SolarSAMはテキストプロンプトによるセマンティックセマンティックセマンティクスを使用して、さまざまなビルの屋上をセマンティクスした。 次に、このセグメント化されたデータと局所的な気候情報を用いて、Rooftop PV、Facade-Integrated PV、PVウインドウシステム向けに別々のPVモデルを開発した。 毎年のBIPV発電の可能性は市の電力消費量を2.5倍上回った。
  論文  参考訳（メタデータ） (2024-06-29T03:29:27Z)
• SolNet: Open-source deep learning models for photovoltaic power forecasting across the globe [0.0]
  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。
  論文  参考訳（メタデータ） (2024-05-23T12:00:35Z)
• Tree-based Forecasting of Day-ahead Solar Power Generation from Granular Meteorological Features [1.8638865257327277]
  このような予測を生成するには、最先端のツリーベース機械学習手法を用いる。 ベルギーのデータと1時間の解像度で日毎のPV発電を予測しています。
  論文  参考訳（メタデータ） (2023-11-30T08:47:37Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• 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)
• SKIPP'D: a SKy Images and Photovoltaic Power Generation Dataset for Short-term Solar Forecasting [0.0]
  画像ベースのソーラー予測のための標準化されたベンチマークデータセットは、ほとんど公開されていない。 SKIPP'D - SKy Images と Photovoltaic Power Generation データセットを紹介する。 データセットには、品質制御されたダウンサンプルスカイイメージと、ディープラーニングを用いた短期太陽予報のためのPV発電データが含まれている。
  論文  参考訳（メタデータ） (2022-07-02T21:52:50Z)
• Jalisco's multiclass land cover analysis and classification using a novel lightweight convnet with real-world multispectral and relief data [51.715517570634994]
  本稿では、LC分類と解析を行うために、新しい軽量(89kパラメータのみ)畳み込みニューラルネットワーク(ConvNet)を提案する。 本研究では,実世界のオープンデータソースを3つ組み合わせて13のチャネルを得る。 組込み分析は、いくつかのクラスにおいて限られたパフォーマンスを期待し、最も類似したクラスをグループ化する機会を与えてくれます。
  論文  参考訳（メタデータ） (2022-01-26T14:58:51Z)
• Applications of physics-informed scientific machine learning in subsurface science: A survey [64.0476282000118]
  地球系は、化石エネルギー探査、廃棄物処理、地質炭素隔離、再生可能エネルギー生成などの人間の活動によって変化した地質形成です。 したがって、ジオシステムの責任ある使用と探索は、効率的な監視、リスクアセスメント、および実用的な実装のための意思決定支援ツールに依存するジオシステムガバナンスにとって重要です。 近年の機械学習アルゴリズムと新しいセンシング技術の急速な進歩は、地下研究コミュニティがジオシステムガバナンスの有効性と透明性を向上させる新しい機会を提示しています。
  論文  参考訳（メタデータ） (2021-04-10T13:40:22Z)
• A Framework for Energy and Carbon Footprint Analysis of Distributed and Federated Edge Learning [48.63610479916003]
  本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。 バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。 その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
  論文  参考訳（メタデータ） (2021-03-18T16:04:42Z)
• Estimating Crop Primary Productivity with Sentinel-2 and Landsat 8 using Machine Learning Methods Trained with Radiative Transfer Simulations [58.17039841385472]
  我々は,機械モデリングと衛星データ利用の並列化を活用し,作物生産性の高度モニタリングを行う。 本モデルでは, 地域情報を使用しなくても, 各種C3作物の種類, 環境条件の総合的生産性を推定することに成功した。 これは、現在の地球観測クラウドコンピューティングプラットフォームの助けを借りて、新しい衛星センサーから作物の生産性をグローバルにマップする可能性を強調しています。
  論文  参考訳（メタデータ） (2020-12-07T16:23:13Z)

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。