論文の概要: Data-driven solar forecasting enables near-optimal economic decisions

• arxiv url: http://arxiv.org/abs/2509.06925v1
• Date: Mon, 08 Sep 2025 17:38:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.293965
• Title: Data-driven solar forecasting enables near-optimal economic decisions
• Title（参考訳）: データ駆動型ソーラー予測は、ほぼ最適経済決定を可能にする
• Authors: Zhixiang Dai, Minghao Yin, Xuanhong Chen, Alberto Carpentieri, Jussi Leinonen, Boris Bonev, Chengzhe Zhong, Thorsten Kurth, Jingan Sun, Ram Cherukuri, Yuzhou Zhang, Ruihua Zhang, Farah Hariri, Xiaodong Ding, Chuanxiang Zhu, Dake Zhang, Yaodan Cui, Yuxi Lu, Yue Song, Bin He, Jie Chen, Yixin Zhu, Chenheng Xu, Maofeng Liu, Zeyi Niu, Wanpeng Qi, Xu Shan, Siyuan Xian, Ning Lin, Kairui Feng,
• Abstract要約: 我々は,軽量なデータ駆動予測システムであるSunCastNetを紹介する。 0.05$circ$で、地表の太陽放射の10分間の分解予測を提供する。 堅牢な意思決定に比べて、運用上の後悔を76-93%削減します。 地域ごとに最大で10の高エミッション産業セクターのうち5つが、商業的生存率の12%を越えられる。
• 参考スコア（独自算出の注目度）: 38.70705528456187
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Solar energy adoption is critical to achieving net-zero emissions. However, it remains difficult for many industrial and commercial actors to decide on whether they should adopt distributed solar-battery systems, which is largely due to the unavailability of fast, low-cost, and high-resolution irradiance forecasts. Here, we present SunCastNet, a lightweight data-driven forecasting system that provides 0.05$^\circ$, 10-minute resolution predictions of surface solar radiation downwards (SSRD) up to 7 days ahead. SunCastNet, coupled with reinforcement learning (RL) for battery scheduling, reduces operational regret by 76--93\% compared to robust decision making (RDM). In 25-year investment backtests, it enables up to five of ten high-emitting industrial sectors per region to cross the commercial viability threshold of 12\% Internal Rate of Return (IRR). These results show that high-resolution, long-horizon solar forecasts can directly translate into measurable economic gains, supporting near-optimal energy operations and accelerating renewable deployment.
• Abstract（参考訳）: 太陽エネルギーの採用は、純ゼロの排出を達成するために重要である。 しかし、多くの産業や商業のアクターが、高速で低コストで高解像度の照射予測が不可能なため、分散ソーラー電池システムを採用するかどうかを判断することは依然として困難である。 ここでは,表層太陽放射下方(SSRD)の0.05$^\circ$,10分の分解予測を最大7日前に提供する軽量データ駆動予測システムであるSunCastNetを紹介する。 SunCastNetは、バッテリスケジューリングのための強化学習(RL)と組み合わせて、ロバスト意思決定(RDM)と比較して、運用上の後悔を76--93\%削減する。 25年間の投資バックテストでは、地域ごとに最大で10のハイエミッション産業セクターのうち5つが、商業的生存率12\%のリターン率(IRR)を達成できる。 これらの結果は、高分解能で長期の太陽予測が直接測定可能な経済的な利益に変換され、準最適エネルギー運用を支援し、再生可能エネルギー展開を加速できることを示している。

関連論文リスト

• SolarSeer: Ultrafast and accurate 24-hour solar irradiance forecasts outperforming numerical weather prediction across the USA [18.52761376569946]
  SolarSeer (SolarSeer) は、米国大陸を横断する太陽照射予測のための、エンドツーエンドの大規模人工知能(AI)モデルである。 過去の衛星観測を直接将来の予測にマッピングし、データの同化とPDEの解決の計算オーバーヘッドをなくすように設計されている。 太陽放射の根平均2乗誤差を27.28%減らし、1,800局で15.35%減らす。
  論文  参考訳（メタデータ） (2025-08-05T15:57:22Z)
• SPIRIT: Short-term Prediction of solar IRradIance for zero-shot Transfer learning using Foundation Models [7.6430384355362735]
  太陽放射予測に基礎モデルを活用する新しい手法を提案する。 提案手法は,ゼロショットトランスファー学習における最先端モデルを約70%向上させ,過去のデータに頼ることなく,新しい場所での効果的なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-02-14T17:10:17Z)
• Intra-day Solar and Power Forecast for Optimization of Intraday Market Participation [31.426172725953638]
  太陽光照射の予測により、太陽光発電(PV)発電とグリッド統合の信頼性が向上する。 本研究は, 長短期記憶(LSTM)モデルとBi-LSTMモデルを用いて, 6時間の地平線と10分間の分解能で太陽光照射を予測する。 LSTM予測は平均して時間分解能モデルを作成し、平均絶対誤差、ルート平均二乗誤差、正規化ルート平均二乗誤差、平均絶対二乗誤差を用いて評価した。
  論文  参考訳（メタデータ） (2025-01-16T14:12:03Z)
• 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)
• Data-driven soiling detection in PV modules [58.6906336996604]
  太陽光発電モジュールの土質比を推定する問題について検討した。 私たちのアルゴリズムの重要な利点は、ラベル付きデータでトレーニングする必要がない、土壌を推定することです。 実験により, 土質比を推定するための工法として, 現状を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-01-30T14:35:47Z)
• The impact of online machine-learning methods on long-term investment decisions and generator utilization in electricity markets [69.68068088508505]
  電力需要プロファイルを24時間以内に予測するために,オフライン11とオンライン5の学習アルゴリズムが与える影響を調査した。 最良オフラインアルゴリズムと比較して,オンラインアルゴリズムを用いて平均絶対誤差を30%削減できることを示した。 また,予測精度の大きな誤差は,17年間の投資に不均等な誤差があることを示す。
  論文  参考訳（メタデータ） (2021-03-07T11:28:54Z)

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。