論文の概要: CT-PatchTST: Channel-Time Patch Time-Series Transformer for Long-Term Renewable Energy Forecasting

• arxiv url: http://arxiv.org/abs/2501.08620v3
• Date: Thu, 28 Aug 2025 04:30:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-29 13:55:30.7352
• Title: CT-PatchTST: Channel-Time Patch Time-Series Transformer for Long-Term Renewable Energy Forecasting
• Title（参考訳）: CT-PatchTST:長期再生可能エネルギー予測のためのチャネル時間パッチ時系列変換器
• Authors: Kuan Lu, Menghao Huo, Yuxiao Li, Qiang Zhu, Zhenrui Chen,
• Abstract要約: 本稿では,風力と太陽エネルギーの長期的,高忠実度予測を実現するための新しいディープラーニングモデルを提案する。 CT-PatchTSTは、効率的なエネルギー貯蔵計画、制御、ディスパッチに不可欠な時間依存性とチャネル間相関の両方をキャプチャする。 この研究は、より安定で応答性があり、コスト効率の良い電力ネットワークの設計に寄与する。
• 参考スコア（独自算出の注目度）: 4.70088249301921
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate forecasting of renewable energy generation is fundamental to enhancing the dynamic performance of modern power grids, especially under high renewable penetration. This paper presents Channel-Time Patch Time-Series Transformer (CT-PatchTST), a novel deep learning model designed to provide long-term, high-fidelity forecasts of wind and solar power. Unlike conventional time-series models, CT-PatchTST captures both temporal dependencies and inter-channel correlations-features that are critical for effective energy storage planning, control, and dispatch. Reliable forecasting enables proactive deployment of energy storage systems (ESSs), helping to mitigate uncertainties in renewable output, reduce system response time, and optimize storage operation based on location-specific flow and voltage conditions. Evaluated on real-world datasets from Denmark's offshore wind, onshore wind, and solar generation, CT-PatchTST outperforms existing methods in both accuracy and robustness. By enabling predictive, data-driven coordination of ESSs across integrated source-grid-load-storage systems, this work contributes to the design of more stable, responsive, and cost-efficient power networks.
• Abstract（参考訳）: 再生可能エネルギーの正確な予測は、特に再生可能エネルギーの浸透下での現代の電力グリッドの動的性能の向上に不可欠である。 本稿では,風力および太陽エネルギーの長期的高忠実度予測を提供するために設計された,新しいディープラーニングモデルであるChannel-Time Patch Time-Series Transformer (CT-PatchTST)を提案する。 従来の時系列モデルとは異なり、CT-PatchTSTは、効率的なエネルギー貯蔵計画、制御、ディスパッチに不可欠な時間依存性とチャネル間相関の両方をキャプチャする。 信頼性予測は、エネルギー貯蔵システム(ESS)の積極的な展開を可能にし、再生可能出力の不確実性を緩和し、システム応答時間を短縮し、位置固有のフローと電圧条件に基づいてストレージ操作を最適化する。 デンマークのオフショア・ウィンド、オンショア・ウィンド、ソーラー・ジェネレーションの実際のデータセットから評価され、CT-PatchTSTは精度と堅牢性の両方で既存の手法よりも優れている。 統合されたソースグリッド・ロード・ストレージシステム間でのESSの予測とデータ駆動の協調を可能にすることにより、より安定的で応答性があり、コスト効率のよい電力ネットワークの設計に寄与する。

関連論文リスト

• Fast-Powerformer: A Memory-Efficient Transformer for Accurate Mid-Term Wind Power Forecasting [4.2707347040807475]
  風力発電予測は、電力グリッドのセキュリティ、安定性、経済活動を強化する上で重要な役割を担っている。 気象要因(風速など)の高度化と風力出力の大幅な変動により、中期風力予測は高い精度と計算効率を維持するという2つの課題に直面している。 本稿では,Fast-Powerformerと呼ばれる,効率的かつ軽量な風力予測モデルを提案する。
  論文  参考訳（メタデータ） (2025-04-15T07:09:54Z)
• Hiformer: Hybrid Frequency Feature Enhancement Inverted Transformer for Long-Term Wind Power Prediction [6.936415534357298]
  ハイブリット周波数特徴強調変換器(ハイフォーマ)という新しい手法を提案する。 Hiformerは、気象条件と風力発電の相関関係のモデリングを強化するために、信号分解技術と気象特徴抽出技術を統合する。 最先端の手法と比較して、(i)予測精度を最大52.5%向上させ、(ii)計算時間を最大68.5%削減することができる。
  論文  参考訳（メタデータ） (2024-10-17T08:00:36Z)
• TCNFormer: Temporal Convolutional Network Former for Short-Term Wind Speed Forecasting [9.47727784069628]
  本研究は,短期(12時間)の風速予測のための時間的コンテンポラル前駆体 (TCNFormer) を提案する。 以上の結果から,TNFormerは予測精度において最先端モデルよりも優れていたことが示唆された。
  論文  参考訳（メタデータ） (2024-08-27T15:35:42Z)
• Efficient Deterministic Renewable Energy Forecasting Guided by Multiple-Location Weather Data [4.048814984274799]
  本稿では,複数の発電施設を対象とした風力・太陽光発電予測手法を提案する。 気象及びエネルギー関連時系列の時間的処理にU字型の時間的畳み込み自動エンコーダアーキテクチャを用いる。 5つのデータセットの日平均太陽・風力エネルギー予測シナリオを実験により評価し,提案手法が最上位となることを示した。
  論文  参考訳（メタデータ） (2024-04-26T09:30:55Z)
• TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
  産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。 本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-29T02:27:54Z)
• 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)
• Long-Term Hourly Scenario Generation for Correlated Wind and Solar Power combining Variational Autoencoders with Radial Basis Function Kernels [0.0]
  本研究では,風力発電と太陽光発電の長期シナリオを創出するための革新的な手法を提案する。 人工ニューラルネットワークアーキテクチャにラジアル基底関数(RBF)カーネルを組み込むことで、正規化特性を改善した潜在空間を得る。
  論文  参考訳（メタデータ） (2023-06-27T14:02:10Z)
• Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer [112.12271800369741]
  風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。 正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。 既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
  論文  参考訳（メタデータ） (2023-05-30T04:03:15Z)
• CARD: Channel Aligned Robust Blend Transformer for Time Series Forecasting [50.23240107430597]
  本稿では,CARD(Channel Aligned Robust Blend Transformer)という特殊なトランスを設計する。 まず、CARDはチャネルに沿ったアテンション構造を導入し、信号間の時間的相関をキャプチャする。 第二に、マルチスケール知識を効率的に活用するために、異なる解像度のトークンを生成するトークンブレンドモジュールを設計する。 第3に,潜在的な過度な問題を軽減するため,時系列予測のためのロバストな損失関数を導入する。
  論文  参考訳（メタデータ） (2023-05-20T05:16:31Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Energy-Efficient Model Compression and Splitting for Collaborative Inference Over Time-Varying Channels [52.60092598312894]
  本稿では,エッジノードとリモートノード間のモデル圧縮と時間変化モデル分割を利用して,エッジデバイスにおける総エネルギーコストを削減する手法を提案する。 提案手法は, 検討されたベースラインと比較して, エネルギー消費が最小限であり, 排出コストが$CO$となる。
  論文  参考訳（メタデータ） (2021-06-02T07:36:27Z)

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。