論文の概要: Precise Forecasting of Sky Images Using Spatial Warping

• arxiv url: http://arxiv.org/abs/2409.12162v1
• Date: Wed, 18 Sep 2024 17:25:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-19 16:35:11.477074
• Title: Precise Forecasting of Sky Images Using Spatial Warping
• Title（参考訳）: 空間ワープによる空画像の精密予測
• Authors: Leron Julian, Aswin C. Sankaranarayanan,
• Abstract要約: 本稿では,従来の手法よりも高解像度で将来のスカイイメージフレームを予測するためのディープラーニング手法を提案する。 我々の主な貢献は、地平線における雲の有害な影響に対抗するために最適なワープ法を導出することである。
• 参考スコア（独自算出の注目度）: 12.042758147684822
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The intermittency of solar power, due to occlusion from cloud cover, is one of the key factors inhibiting its widespread use in both commercial and residential settings. Hence, real-time forecasting of solar irradiance for grid-connected photovoltaic systems is necessary to schedule and allocate resources across the grid. Ground-based imagers that capture wide field-of-view images of the sky are commonly used to monitor cloud movement around a particular site in an effort to forecast solar irradiance. However, these wide FOV imagers capture a distorted image of sky image, where regions near the horizon are heavily compressed. This hinders the ability to precisely predict cloud motion near the horizon which especially affects prediction over longer time horizons. In this work, we combat the aforementioned constraint by introducing a deep learning method to predict a future sky image frame with higher resolution than previous methods. Our main contribution is to derive an optimal warping method to counter the adverse affects of clouds at the horizon, and learn a framework for future sky image prediction which better determines cloud evolution for longer time horizons.
• Abstract（参考訳）: 太陽エネルギーの断続性は、雲に覆われているため、商業用と住宅用の両方で広く使われることを妨げている重要な要因の1つである。 したがって、グリッドに接続された太陽光発電システムの太陽放射のリアルタイム予測は、グリッド全体の資源をスケジュールし割り当てるために必要である。 空の広い視野の画像を撮影する地上撮影装置は、太陽の光を予測するために、特定の場所周辺の雲の動きを監視するために一般的に使用される。 しかし、これらの広いFOV画像は、地平線付近の領域が強く圧縮されている空像の歪んだ像を捉えている。 これにより、特に長い時間的地平線上の予測に影響を及ぼす地平線付近の雲の動きを正確に予測する能力が妨げられる。 本研究では,従来の手法よりも高解像度で将来の天空画像フレームを予測する深層学習手法を導入することで,上記の制約に対処する。 我々の主な貢献は、地平線における雲の悪影響に対処する最適なワープ法を導出し、より長い時間地平線で雲の進化をより正確に決定する将来の天空画像予測の枠組みを学ぶことである。

関連論文リスト

• Distributed solar generation forecasting using attention-based deep neural networks for cloud movement prediction [2.9884358130293056]
  雲の動きを予測するための注意に基づく畳み込み長短期記憶ネットワークを提案し,雲の動きを予測するために既存の自己注意に基づく手法を適用した。 高い高度での雲の場合、注意に基づく手法を用いて得られた雲の予測は、非注意に基づく手法と比較して、太陽の予測スキルスコアが5.86%以上改善されることが判明した。
  論文  参考訳（メタデータ） (2024-11-17T00:37:35Z)
• Computational Imaging for Long-Term Prediction of Solar Irradiance [14.339647548237838]
  グリッドに接続された太陽光発電システム間でのエネルギーのスケジュールと割り当てには,クラウド移動のリアルタイム予測が必要である。 それまでの作業では、空の広角視野を用いた雲の動きを監視していた。 我々は,空の広い角度の空間分解能を視野に届けるカタディオプトリシステムの設計と展開を行う。
  論文  参考訳（メタデータ） (2024-09-18T14:29:43Z)
• Masked Spatio-Temporal Structure Prediction for Self-supervised Learning on Point Cloud Videos [75.9251839023226]
  人間のアノテーションを使わずにポイントクラウドビデオの構造をキャプチャするMasked-temporal Structure Prediction (MaST-Pre)法を提案する。 MaST-Preは,2つの自己指導型学習タスクから構成される。まず,マスク付きポイントチューブを再構築することにより,ポイントクラウドビデオの出現情報を捉えることができる。 第2に、動作を学習するために、点管内の点数の変化を推定する時間的濃度差予測タスクを提案する。
  論文  参考訳（メタデータ） (2023-08-18T02:12:54Z)
• Exploring the Application of Large-scale Pre-trained Models on Adverse Weather Removal [97.53040662243768]
  ネットワークが異なる気象条件を適応的に処理できるようにするために,CLIP埋め込みモジュールを提案する。 このモジュールは、CLIP画像エンコーダによって抽出されたサンプル特定気象と、パラメータセットによって学習された分布特定情報を統合する。
  論文  参考訳（メタデータ） (2023-06-15T10:06:13Z)
• Counting Crowds in Bad Weather [68.50690406143173]
  本研究では,悪天候シナリオにおいて,ロバストな群集カウント手法を提案する。 モデルでは,外見のバリエーションが大きいことを考慮し,効果的な特徴と適応的なクエリを学習する。 実験の結果,提案アルゴリズムは,ベンチマークデータセット上で異なる気象条件下での群集のカウントに有効であることが示唆された。
  論文  参考訳（メタデータ） (2023-06-02T00:00:09Z)
• 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)
• ScatterNeRF: Seeing Through Fog with Physically-Based Inverse Neural Rendering [83.75284107397003]
  本稿では,シーンをレンダリングし,霧のない背景を分解するニューラルネットワークレンダリング手法であるScatterNeRFを紹介する。 本研究では,散乱量とシーンオブジェクトの非絡み合い表現を提案し,物理に着想を得た損失を伴ってシーン再構成を学習する。 マルチビューIn-the-Wildデータをキャプチャして,大規模な霧室内でのキャプチャを制御し,本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2023-05-03T13:24:06Z)
• Review of Kernel Learning for Intra-Hour Solar Forecasting with Infrared Sky Images and Cloud Dynamic Feature Extraction [0.0]
  太陽光発電システムによって生じるエネルギーの不確実性は、保証された信頼性の高いエネルギー供給のために追加のコストを発生させる。 本研究は、時間内太陽予報の確率論的多タスクの導入により、追加コストを削減することを目的としている。
  論文  参考訳（メタデータ） (2021-10-11T21:25:20Z)
• ECLIPSE : Envisioning Cloud Induced Perturbations in Solar Energy [2.867517731896504]
  ECLIPSEは、空からの雲の動きをモデル化し、将来のセグメント画像と対応する放射能レベルの両方を予測するニューラルネットワークアーキテクチャです。 ECLIPSEは重要な事象を予測し、視覚的に現実的な未来を発生させながら時間的遅延を大幅に低減することを示す。
  論文  参考訳（メタデータ） (2021-04-26T09:19:43Z)
• A Temporally Consistent Image-based Sun Tracking Algorithm for Solar Energy Forecasting Applications [0.0]
  本研究では、過去の観測から日射の軌跡を補間し、画像中の太陽を位置決めする、画像に基づく太陽追跡アルゴリズムを提案する。 実験の結果, 提案手法は, 画像サイズの1%以下の平均絶対誤差で, 円滑な太陽軌道を提供することがわかった。
  論文  参考訳（メタデータ） (2020-12-02T09:59:45Z)
• Physics-informed GANs for Coastal Flood Visualization [65.54626149826066]
  我々は,現在および将来の沿岸洪水の衛星画像を生成する深層学習パイプラインを構築した。 物理に基づく洪水図と比較して画像を評価することにより,提案手法は物理的一貫性とフォトリアリズムの両方において,ベースラインモデルよりも優れていることがわかった。 この研究は沿岸の洪水の可視化に焦点が当てられているが、気候変動が地球をどう形作るかのグローバルな可視化を作成することを想定している。
  論文  参考訳（メタデータ） (2020-10-16T02:15:34Z)

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。