論文の概要: Distributed solar generation forecasting using attention-based deep neural networks for cloud movement prediction
- arxiv url: http://arxiv.org/abs/2411.10921v1
- Date: Sun, 17 Nov 2024 00:37:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-19 14:34:45.187579
- Title: Distributed solar generation forecasting using attention-based deep neural networks for cloud movement prediction
- Title（参考訳）: 注意に基づく深層ニューラルネットワークによるクラウド移動予測のための分散型太陽光発電予測
- Authors: Maneesha Perera, Julian De Hoog, Kasun Bandara, Saman Halgamuge,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 2.9884358130293056
- License:
- Abstract: Accurate forecasts of distributed solar generation are necessary to reduce negative impacts resulting from the increased uptake of distributed solar photovoltaic (PV) systems. However, the high variability of solar generation over short time intervals (seconds to minutes) caused by cloud movement makes this forecasting task difficult. To address this, using cloud images, which capture the second-to-second changes in cloud cover affecting solar generation, has shown promise. Recently, deep neural networks with "attention" that focus on important regions of an image have been applied with success in many computer vision applications. However, their use for forecasting cloud movement has not yet been extensively explored. In this work, we propose an attention-based convolutional long short-term memory network to forecast cloud movement and apply an existing self-attention-based method previously proposed for video prediction to forecast cloud movement. We investigate and discuss the impact of cloud forecasts from attention-based methods towards forecasting distributed solar generation, compared to cloud forecasts from non-attention-based methods. We further provide insights into the different solar forecast performances that can be achieved for high and low altitude clouds. We find that for clouds at high altitudes, the cloud predictions obtained using attention-based methods result in solar forecast skill score improvements of 5.86% or more compared to non-attention-based methods.
- Abstract（参考訳）: 分散太陽光発電(PV)システムの増加による負の影響を低減するためには、分散太陽光発電の正確な予測が必要である。
しかし、雲の動きによって生じる短時間(秒から数分)の太陽発電の高変動は、この予測作業を困難にしている。
これを解決するために、クラウドイメージを使用することで、太陽光発電に影響を与える雲の2秒から2秒間の変化を捉えることが約束されている。
近年、画像の重要な領域に焦点を当てた「注意」を持つディープニューラルネットワークが、多くのコンピュータビジョンアプリケーションで成功している。
しかし、雲の動きを予測するためにはまだ広く研究されていない。
本研究では,クラウド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,従来提案されていた自己注意に基づくクラウドの動きの予測手法を適用した。
本研究では,非注意に基づくクラウド予測と比較して,注意に基づく手法によるクラウド予測が分散太陽光発電の予測に与える影響について検討・検討する。
さらに、高高度および低高度の雲に対して達成できる様々な太陽予測性能に関する洞察を提供する。
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。
関連論文リスト
- FengWu-W2S: A deep learning model for seamless weather-to-subseasonal forecast of global atmosphere [53.22497376154084]
本研究では,FengWuグローバル気象予報モデルに基づくFengWu-Weather to Subseasonal (FengWu-W2S)を提案する。
我々は,FengWu-W2Sが大気環境を3～6週間先まで確実に予測し,マデン・ジュリア振動 (MJO) や北大西洋振動 (NAO) などの地球表面温度, 降水量, 地磁気高度, 季節内信号の予測能力を向上させることを実証した。
日時から季節時の予測誤差成長に関するアブレーション実験
論文 参考訳（メタデータ） (2024-11-15T13:44:37Z) - Precise Forecasting of Sky Images Using Spatial Warping [12.042758147684822]
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。
論文 参考訳（メタデータ） (2024-09-18T17:25:42Z) - 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) - Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳（メタデータ） (2024-01-22T14:02:56Z) - Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。
我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。
我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-10-02T17:13:16Z) - 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) - Omnivision forecasting: combining satellite observations with sky images
for improved intra-hour solar energy predictions [0.0]
断続的再生可能エネルギー源の電力網への統合は困難である。
雲の閉塞による発電の短期的な変化は、異なる時間スケールで予測できる。
本研究では,これら2つの相補的な視点をクラウドのカバーとして,単一の機械学習フレームワークに統合する。
論文 参考訳（メタデータ） (2022-06-07T11:52:09Z) - Unsupervised Point Cloud Representation Learning with Deep Neural
Networks: A Survey [104.71816962689296]
大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。
本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
論文 参考訳（メタデータ） (2022-02-28T07:46:05Z) - 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) - 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)
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。