論文の概要: Two-level Solar Irradiance Clustering with Season Identification: A Comparative Analysis

• arxiv url: http://arxiv.org/abs/2501.10084v1
• Date: Fri, 17 Jan 2025 10:05:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-20 13:59:18.705215
• Title: Two-level Solar Irradiance Clustering with Season Identification: A Comparative Analysis
• Title（参考訳）: 季節同定による2レベル太陽日射量クラスタリング:比較分析
• Authors: Roshni Agrawal, Sivakumar Subramanian, Venkataramana Runkana,
• Abstract要約: 本研究では,1段目における空の鮮明な照度を用いて季節を自動的に識別するために,効率的な2段階クラスタリング手法を採用する。 第2レベルのクラスタリングでは、デイリー照度指数(DIIまたは$beta$)、ユークリッド距離(ED)、動的時間ワープ距離(DTW)の3つの手法を比較した。 その結果、$beta$ベースのクラスタリングアプローチをリーダとして、太陽光によるクラスタリング研究のための新たなベンチマークを設定したことが明らかとなった。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Solar irradiance clustering can enhance solar power capacity planning and help improve forecasting models by identifying similar irradiance patterns influenced by seasonal and weather changes. In this study, we adopt an efficient two-level clustering approach to automatically identify seasons using the clear sky irradiance in first level and subsequently to identify daily cloud level as clear, cloudy and partly cloudy within each season in second level. In the second level of clustering, three methods are compared, namely, Daily Irradiance Index (DII or $\beta$), Euclidean Distance (ED), and Dynamic Time Warping (DTW) distance. The DII is computed as the ratio of time integral of measured irradiance to time integral of the clear sky irradiance. The identified clusters were compared quantitatively using established clustering metrics and qualitatively by comparing the mean irradiance profiles. The results clearly establish the superiority of the $\beta$-based clustering approach as the leader, setting a new benchmark for solar irradiance clustering studies. Moreover, $\beta$-based clustering remains effective even for annual data unlike the time-series methods which suffer significant performance degradation. Interestingly, contrary to expectations, ED-based clustering outperforms the more compute-intensive DTW distance-based clustering. The method has been rigorously validated using data from two distinct US locations, demonstrating robust scalability for larger datasets and potential applicability for other locations.
• Abstract（参考訳）: 太陽照度クラスタリングは、太陽エネルギーの容量計画を強化し、季節や天候の変化に影響される同様の照度パターンを識別することによって予測モデルの改善に役立つ。 本研究では,第1段階の空の照度を用いて季節を自動的に識別し,その後,各季節において,日中雲の濃度を晴れ,曇り,一部曇りと判断するために,効率的な2段階クラスタリング手法を採用する。 第2段階のクラスタリングでは、デイリー照度指数(DIIまたは$\beta$)、ユークリッド距離(ED)、動的時間ワープ距離(DTW)という3つの手法が比較される。 DIIは、測定された光の時間積分と透明な空の時間積分の比として計算される。 同定されたクラスタは、確立されたクラスタリング指標を用いて定量的に比較し、平均照射プロファイルを比較して定性的に比較した。 この結果は、$\beta$ベースのクラスタリングアプローチをリーダとして、太陽光によるクラスタリング研究のための新しいベンチマークを設定することによって、明らかに優位性を確立している。 さらに、$\beta$ベースのクラスタリングは、パフォーマンスが著しく低下する時系列法とは異なり、年間データに対しても有効である。 興味深いことに、EDベースのクラスタリングは期待に反して、計算集約的なDTW距離ベースのクラスタリングよりも優れています。 この方法は2つの異なる米国の場所のデータを用いて厳格に検証され、より大きなデータセットに対する堅牢なスケーラビリティと、他の場所への潜在的な適用性を実証している。

関連論文リスト

• Clustering Techniques Selection for a Hybrid Regression Model: A Case Study Based on a Solar Thermal System [0.0]
  本研究は,教師付き学習タスクにおいて,強力なハイブリッドモデルを実現することを目的とした,4つのクラスタリング手法のパフォーマンス比較に対処する。 著者らは、いくつかのクラスター法を適用し、続いてシステムの出力温度を予測する回帰手法を適用する方法を研究するために、熱発電システムを選んだ。
  論文  参考訳（メタデータ） (2024-02-10T10:10:11Z)
• 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)
• A Hybrid SOM and K-means Model for Time Series Energy Consumption Clustering [0.0]
  本稿では、自己組織化マップとK平均クラスタリングという2つの強力な手法を統合することにより、毎月のエネルギー消費パターンを効果的にクラスタリングする新しい手法を提案する。 本研究の主な焦点は、ロンドンにおけるスマートメーターの時系列エネルギー消費データの選択である。
  論文  参考訳（メタデータ） (2023-11-25T16:55:19Z)
• Distribution-Based Trajectory Clustering [14.781854651899705]
  軌道クラスタリングは、軌道データの共通パターンの発見を可能にする。 距離測定には高い計算コストと低い忠実度という2つの課題がある。 我々は,最近の分散カーネル(IDK)を3つの課題に対処するための主要なツールとして利用することを提案する。
  論文  参考訳（メタデータ） (2023-10-08T11:28:34Z)
• Rethinking k-means from manifold learning perspective [122.38667613245151]
  平均推定なしで直接データのクラスタを検出する新しいクラスタリングアルゴリズムを提案する。 具体的には,バタワースフィルタを用いてデータ点間の距離行列を構成する。 異なる視点に埋め込まれた相補的な情報をうまく活用するために、テンソルのSchatten p-norm正規化を利用する。
  論文  参考訳（メタデータ） (2023-05-12T03:01:41Z)
• Entropy-Aware Similarity for Balanced Clustering: A Case Study with Melanoma Detection [11.359304766115685]
  本稿では,バランスの度合いとして定義できるエントロピー・アウェアの類似性を利用して,バランスクラスタリングの新しい手法を提案する。 我々は、クラスタリング中のバランスを最大化する平衡クラスタリング(EASB)のエントロピー対応類似性という用語を作った。 提案手法の有効性は、実際のメラノーマ中間体データ、特に国際皮膚画像コラボレーション(ISIC)2019と2020年の課題データセットに基づいて評価される。
  論文  参考訳（メタデータ） (2023-05-11T11:51:41Z)
• Spatiotemporal Self-supervised Learning for Point Clouds in the Wild [65.56679416475943]
  空間領域と時間領域の両方で正のペアを利用するSSL戦略を導入する。 2つの大規模LiDARデータセット上で,自己教師型トレーニングによって実施した広範囲な実験を通じて,このアプローチのメリットを実証する。
  論文  参考訳（メタデータ） (2023-03-28T18:06:22Z)
• AWT -- Clustering Meteorological Time Series Using an Aggregated Wavelet Tree [9.470649284657483]
  AWTは時系列データのためのクラスタリングアルゴリズムであり、クラスタリング中に暗黙のアウトリア検出を行う。 ウィーン市からの1時間分解能でクラウドソース2mの温度データにAWTを適用し,異常値を検出する。 その結果,AWTでは,外乱検出と土地利用特性への暗黙マッピングが可能であることがわかった。
  論文  参考訳（メタデータ） (2022-12-13T15:25:29Z)
• Anomaly Clustering: Grouping Images into Coherent Clusters of Anomaly Types [60.45942774425782]
  我々は異常クラスタリングを導入し、その目標はデータを異常型の一貫性のあるクラスタにまとめることである。 これは異常検出とは違い、その目標は異常を通常のデータから分割することである。 パッチベースの事前訓練されたディープ埋め込みとオフザシェルフクラスタリング手法を用いた,単純で効果的なクラスタリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-21T23:11:33Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• (k, l)-Medians Clustering of Trajectories Using Continuous Dynamic Time Warping [57.316437798033974]
  本研究では,トラジェクトリの集中型クラスタリングの問題について考察する。 我々はDTWの連続バージョンを距離測定として使用することを提案し、これをCDTW(Continuous dynamic time warping)と呼ぶ。 一連の軌道から中心を計算し、その後反復的に改善する実践的な方法を示す。
  論文  参考訳（メタデータ） (2020-12-01T13:17:27Z)

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。