論文の概要: Predicting Solar Energy Generation with Machine Learning based on AQI and Weather Features

• arxiv url: http://arxiv.org/abs/2408.12476v1
• Date: Thu, 22 Aug 2024 15:13:44 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-23 13:22:23.155452
• Title: Predicting Solar Energy Generation with Machine Learning based on AQI and Weather Features
• Title（参考訳）: AQIと気象特性に基づく機械学習による太陽光発電予測
• Authors: Arjun Shah, Varun Viswanath, Kashish Gandhi, Dr. Nilesh Madhukar Patil,
• Abstract要約: 大気質指数と気象特性が太陽エネルギー発生に与える影響について検討する。 各種機械学習アルゴリズムとConv2D長短期記憶モデルに基づくディープラーニングモデルをこれらの変換に適用する。 我々は,Conv2D Long Short-Term Memoryモデルを用いた0.9691$R2$Score,0.18 MAE,0.10 RMSEを実現する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper addresses the pressing need for an accurate solar energy prediction model, which is crucial for efficient grid integration. We explore the influence of the Air Quality Index and weather features on solar energy generation, employing advanced Machine Learning and Deep Learning techniques. Our methodology uses time series modeling and makes novel use of power transform normalization and zero-inflated modeling. Various Machine Learning algorithms and Conv2D Long Short-Term Memory model based Deep Learning models are applied to these transformations for precise predictions. Results underscore the effectiveness of our approach, demonstrating enhanced prediction accuracy with Air Quality Index and weather features. We achieved a 0.9691 $R^2$ Score, 0.18 MAE, 0.10 RMSE with Conv2D Long Short-Term Memory model, showcasing the power transform technique's innovation in enhancing time series forecasting for solar energy generation. Such results help our research contribute valuable insights to the synergy between Air Quality Index, weather features, and Deep Learning techniques for solar energy prediction.
• Abstract（参考訳）: 本稿では,効率的なグリッド統合に欠かせない,正確な太陽エネルギー予測モデルの必要性に対処する。 先進的な機械学習とディープラーニング技術を用いて,大気質指数と気象特性が太陽エネルギー生成に与える影響について検討する。 本手法は時系列モデリングを用い,パワートランスフォーメーションの正規化とゼロインフレードモデリングを新たに活用する。 様々な機械学習アルゴリズムとConv2D長短期記憶モデルに基づくディープラーニングモデルをこれらの変換に適用して正確な予測を行う。 その結果,大気質指数と気象特性による予測精度の向上が示された。 我々はコンブ2D長短期記憶モデルを用いた0.9691ドルR^2$スコア、0.18MAE、0.10RMSEを達成し、太陽エネルギー発生の時系列予測の強化における電力変換技術の革新を実証した。 このような結果は,太陽エネルギー予測のための大気質指数,気象特性,深層学習技術との相乗効果に関する貴重な知見に寄与する。

関連論文リスト

• Impact of ML Optimization Tactics on Greener Pre-Trained ML Models [46.78148962732881]
  本研究の目的は,画像分類データセットと事前学習モデルの解析,最適化モデルと非最適化モデルを比較して推論効率を向上させること,最適化の経済的影響を評価することである。 画像分類におけるPyTorch最適化手法(動的量子化、トーチ・コンパイル、局所プルーニング、グローバルプルーニング)と42のHugging Faceモデルの影響を評価するための制御実験を行った。 動的量子化は推論時間とエネルギー消費の大幅な削減を示し、大規模システムに非常に適している。
  論文  参考訳（メタデータ） (2024-09-19T16:23:03Z)
• Solarcast-ML: Per Node GraphCast Extension for Solar Energy Production [0.0]
  このプロジェクトは、太陽エネルギー生産予測機能を統合することで、グローバル気象予報のための最先端グラフニューラルネットワーク(GNN)であるGraphCastモデルの拡張を示す。 提案手法は、GraphCastが生成した天気予報を利用して、ニューラルネットワークモデルを用いて、様々な気象条件に基づいて実際の太陽出力と潜在的な太陽出力の比率を予測する。 その結果, 太陽放射の正確な予測, 収束挙動, トレーニング損失の低減, および太陽放射パターンの正確な予測において, モデルの有効性が示された。
  論文  参考訳（メタデータ） (2024-06-19T13:47:05Z)
• Aurora: A Foundation Model of the Atmosphere [56.97266186291677]
  我々はAuroraを紹介します。Auroraは、100万時間以上の多様な気象および気候データに基づいてトレーニングされた大気の大規模な基礎モデルです。 オーロラは1分以内に5日間の大気汚染予測と10日間の高解像度気象予測を生み出している。
  論文  参考訳（メタデータ） (2024-05-20T14:45:18Z)
• 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)
• Solar Power Prediction Using Machine Learning [0.0]
  本稿では,99%のAUC測定値を用いて,高精度な太陽光発電予測手法を提案する。 このアプローチには、データ収集、前処理、機能選択、モデル選択、トレーニング、評価、デプロイメントが含まれる。 訓練された機械学習モデルは生産環境にデプロイされ、ソーラー発電に関するリアルタイム予測に使用することができる。
  論文  参考訳（メタデータ） (2023-03-11T06:31:46Z)
• ClimaX: A foundation model for weather and climate [51.208269971019504]
  ClimaXは気象と気候科学のディープラーニングモデルである。 気候データセットの自己教師型学習目標で事前トレーニングすることができる。 気候や気候の様々な問題に対処するために、微調整が可能である。
  論文  参考訳（メタデータ） (2023-01-24T23:19:01Z)
• 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)
• WiSoSuper: Benchmarking Super-Resolution Methods on Wind and Solar Data [0.3558796502491039]
  数値気象予測モデルによる運用予測は空間分解能が10～20kmに限られる。 深層学習に基づく超解像手法のベンチマークを提供する。 ベンチマークには、新しく公開され、処理され、機械学習対応のデータセットが添付されています。
  論文  参考訳（メタデータ） (2021-09-17T21:52:43Z)
• Solar Irradiation Forecasting using Genetic Algorithms [0.0]
  太陽エネルギーは再生可能エネルギーの最も重要な貢献者の1つである。 電力グリッドの効率的な管理には、高精度な太陽光照射を予測する予測モデルが必要である。 訓練と検証に使用されるデータは、アメリカ合衆国の3つの異なる地理的ステーションから記録されている。
  論文  参考訳（メタデータ） (2021-06-26T06:48:20Z)
• Joint Air Quality and Weather Prediction Based on Multi-Adversarial Spatiotemporal Networks [44.34236994440102]
  本稿では,複数対数連続グラフニューラルネットワーク(MasterGNN)を共同空気質と天気予報のために提案する。 具体的には,大気質と気象モニタリングステーション間の不均一な自己時間相関をモデル化するグラフニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2020-12-30T04:42:03Z)

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。