論文の概要: A Generative AI Technique for Synthesizing a Digital Twin for U.S. Residential Solar Adoption and Generation

• arxiv url: http://arxiv.org/abs/2410.08098v1
• Date: Thu, 10 Oct 2024 16:41:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-10-31 05:25:16.795411
• Title: A Generative AI Technique for Synthesizing a Digital Twin for U.S. Residential Solar Adoption and Generation
• Title（参考訳）: 米国の家庭用太陽熱導入・発電のためのデジタル双極子合成のための生成AI技術
• Authors: Aparna Kishore, Swapna Thorve, Madhav Marathe,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.6144680854063939
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Residential rooftop solar adoption is considered crucial for reducing carbon emissions. The lack of photovoltaic (PV) data at a finer resolution (e.g., household, hourly levels) poses a significant roadblock to informed decision-making. We discuss a novel methodology to generate a highly granular, residential-scale realistic dataset for rooftop solar adoption across the contiguous United States. The data-driven methodology consists of: (i) integrated machine learning models to identify PV adopters, (ii) methods to augment the data using explainable AI techniques to glean insights about key features and their interactions, and (iii) methods to generate household-level hourly solar energy output using an analytical model. The resulting synthetic datasets are validated using real-world data and can serve as a digital twin for modeling downstream tasks. Finally, a policy-based case study utilizing the digital twin for Virginia demonstrated increased rooftop solar adoption with the 30\% Federal Solar Investment Tax Credit, especially in Low-to-Moderate-Income communities.
• Abstract（参考訳）: 住宅の屋上ソーラーの採用は、二酸化炭素排出量を減らすために重要であると考えられている。 細かな解像度(例えば世帯や時間レベル)での太陽光発電(PV)データの欠如は、情報的意思決定に重大な障害をもたらす。 本稿では,米国全土の屋上ソーラー導入のための,高粒度で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。 データ駆動の方法論は以下の通りである。 (i)PV導入者を特定するための統合機械学習モデル。 (二 説明可能なAI技術を用いてデータを増強し、鍵となる特徴とその相互作用についての洞察を深める方法、及び 三 分析モデルを用いて家庭レベルの太陽エネルギーを生産する方法。 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。 最後に、バージニア州のデジタルツインを利用した政策ベースのケーススタディは、特に低所得層社会において、30 %の連邦太陽投資税額控除によって、屋上ソーラーの採用が増加したことを証明した。

関連論文リスト

• Enhancing Indoor Temperature Forecasting through Synthetic Data in Low-Data Environments [42.8983261737774]
  合成データ生成のためのSoTA AI を用いたデータ拡張手法の有効性について検討する。 そこで本研究では,実データと合成データの融合戦略を探求し,予測モデルの改善を図る。
  論文  参考訳（メタデータ） (2024-06-07T12:36:31Z)
• 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)
• Open-sourced Data Ecosystem in Autonomous Driving: the Present and Future [130.87142103774752]
  このレビューは、70以上のオープンソースの自動運転データセットを体系的に評価する。 高品質なデータセットの作成の基礎となる原則など、さまざまな側面に関する洞察を提供する。 また、解決を保障する科学的、技術的課題も検討している。
  論文  参考訳（メタデータ） (2023-12-06T10:46:53Z)
• Power Hungry Processing: Watts Driving the Cost of AI Deployment? [74.19749699665216]
  生成された多目的AIシステムは、機械学習(ML)モデルをテクノロジに構築するための統一的なアプローチを約束する。 この「一般性」の野心は、これらのシステムが必要とするエネルギー量と放出する炭素量を考えると、環境に急激なコストがかかる。 これらのモデルを用いて,代表的なベンチマークデータセット上で1,000の推論を行うのに必要なエネルギーと炭素の量として,デプロイメントコストを測定した。 本稿は、多目的MLシステムの展開動向に関する議論から締めくくり、エネルギーと排出の面でコストの増大に対して、その実用性はより意図的に重み付けされるべきである、と警告する。
  論文  参考訳（メタデータ） (2023-11-28T15:09:36Z)
• Unveiling the Invisible: Enhanced Detection and Analysis of Deteriorated Areas in Solar PV Modules Using Unsupervised Sensing Algorithms and 3D Augmented Reality [1.0310343700363547]
  本稿では,太陽光発電モジュールのホットスポットやスネールトレイルなどの異常を自動的に同定し,解析する基盤となる手法を提案する。 従来の診断法と修復法を変換することにより,効率を高めるだけでなく,PVシステムのメンテナンスコストを大幅に削減する。 我々の目指すのは、リアルタイムで自動ソーラーパネル検出にドローン技術を活用することで、PVのメンテナンスの有効性を大幅に向上させることです。
  論文  参考訳（メタデータ） (2023-07-11T09:27:00Z)
• 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)
• 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)
• Feature Construction and Selection for PV Solar Power Modeling [1.8960797847221296]
  太陽光発電(PV)発電を予測するモデルを構築することで、意思決定者はエネルギー不足を補うことができる。 太陽エネルギーの出力は、光や天気など多くの要因に依存する時系列データである。 本研究では, 過去のデータをもとに, 1時間先進太陽エネルギー予測のための機械学習フレームワークを開発した。
  論文  参考訳（メタデータ） (2022-02-13T06:49:28Z)
• 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)
• Short term solar energy prediction by machine learning algorithms [0.47791962198275073]
  機械学習技術の強みを利用した日次太陽エネルギー予測について報告する。 線形, 尾根, ラッソ, 決定木, ランダム森林, 人工ニューラルネットワークなどのベースライン回帰器の予測モデルを実装した。 改良された精度は,2つのグリッドサイズでランダム森林と尾根回帰器によって達成されている。
  論文  参考訳（メタデータ） (2020-10-25T17:56:03Z)

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。