論文の概要: SolarBoost: Distributed Photovoltaic Power Forecasting Amid Time-varying Grid Capacity

• arxiv url: http://arxiv.org/abs/2510.21129v1
• Date: Fri, 24 Oct 2025 03:32:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 06:57:23.377756
• Title: SolarBoost: Distributed Photovoltaic Power Forecasting Amid Time-varying Grid Capacity
• Title（参考訳）: SolarBoost: 時間差のグリッド容量で分散型太陽光発電の予測
• Authors: Linyuan Geng, Linxiao Yang, Xinyue Gu, Liang Sun,
• Abstract要約: SolarBoostは、分散太陽光発電(DPV)システムで出力を予測するための新しいアプローチである。 中国各地の都市で実施されている。
• 参考スコア（独自算出の注目度）: 14.368286055650293
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents SolarBoost, a novel approach for forecasting power output in distributed photovoltaic (DPV) systems. While existing centralized photovoltaic (CPV) methods are able to precisely model output dependencies due to uniformity, it is difficult to apply such techniques to DPV systems, as DPVs face challenges such as missing grid-level data, temporal shifts in installed capacity, geographic variability, and panel diversity. SolarBoost overcomes these challenges by modeling aggregated power output as a composite of output from small grids, where each grid output is modeled using a unit output function multiplied by its capacity. This approach decouples the homogeneous unit output function from dynamic capacity for accurate prediction. Efficient algorithms over an upper-bound approximation are proposed to overcome computational bottlenecks in loss functions. We demonstrate the superiority of grid-level modeling via theoretical analysis and experiments. SolarBoost has been validated through deployment across various cities in China, significantly reducing potential losses and provides valuable insights for the operation of power grids. The code for this work is available at https://github.com/DAMO-DI-ML/SolarBoost.
• Abstract（参考訳）: 本稿では,分散太陽光発電システム(DPV)における電力出力予測の新しい手法であるSolarBoostを提案する。 既存の集中型太陽光発電(CPV)法は、均一性による出力依存性を正確にモデル化することは可能であるが、DPVはグリッドレベルのデータ不足、設置容量の時間的変化、地理的変動性、パネルの多様性といった課題に直面しているため、DPVシステムに適用することは困難である。 SolarBoostは、集約出力を小さなグリッドからの出力の合成としてモデル化することでこれらの課題を克服し、各グリッド出力はその容量に乗じて単位出力関数を用いてモデル化される。 このアプローチは、正確な予測のために、均一単位出力関数を動的キャパシティから分離する。 損失関数の計算ボトルネックを克服するために,上界近似上の効率的なアルゴリズムを提案する。 理論解析と実験によるグリッドレベルのモデリングの優位性を実証する。 SolarBoostは中国の様々な都市への展開を通じて検証され、潜在的な損失を著しく低減し、電力グリッドの運用に関する貴重な洞察を提供する。 この作業のコードはhttps://github.com/DAMO-DI-ML/SolarBoost.comで公開されている。

関連論文リスト

• Ultra-short-term solar power forecasting by deep learning and data reconstruction [60.200987006598524]
  深層学習に基づく超短周期太陽エネルギー予測とデータ再構成を提案する。 我々は、ターゲット予測期間に対する長期的および短期的依存関係をキャプチャするために、ディープラーニングモデルを用いる。
  論文  参考訳（メタデータ） (2025-09-21T14:22:35Z)
• PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
  本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。 ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。 これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
  論文  参考訳（メタデータ） (2025-08-29T01:47:27Z)
• Solar Photovoltaic Assessment with Large Language Model [5.156484100374059]
  太陽パネル検出の課題を克服するために,大規模言語モデル (LLM) をどのように活用できるかを検討する。 LLMは、多段階の論理過程の困難を含む、ソーラーパネルの検出においていくつかの課題に直面している。 より効率的な出力標準化のためのタスク分解を組み込んだLLMフレームワークを用いたPVアセスメントを提案する。
  論文  参考訳（メタデータ） (2025-07-25T10:26:29Z)
• Function Approximation for Reinforcement Learning Controller for Energy from Spread Waves [69.9104427437916]
  マルチジェネレータ・ウェーブ・エナジー・コンバータ(WEC)は、スプレッド・ウェーブと呼ばれる異なる方向から来る複数の同時波を処理しなければならない。 これらの複雑な装置は、エネルギー捕獲効率、維持を制限する構造的ストレスの低減、高波に対する積極的な保護という複数の目的を持つコントローラを必要とする。 本稿では,システム力学のシーケンシャルな性質をモデル化する上で,ポリシーと批判ネットワークの異なる機能近似について検討する。
  論文  参考訳（メタデータ） (2024-04-17T02:04:10Z)
• MATNet: Multi-Level Fusion Transformer-Based Model for Day-Ahead PV Generation Forecasting [0.47518865271427785]
  MATNetはPV発電予測のための新しい自己アテンショントランスフォーマーベースのアーキテクチャである。 これは、AIパラダイムとPV発電に関する以前の物理的知識を組み合わせたハイブリッドアプローチで構成されている。 その結果,提案アーキテクチャは現在の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-06-17T14:03:09Z)
• 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)
• Solar Power Time Series Forecasting Utilising Wavelet Coefficients [0.8602553195689513]
  本研究の目的は、単一単純化モデルを用いた新しい手法を提案することにより、ウェーブレット変換(WT)の適用効率を向上させることである。 時系列とそのウェーブレット変換(WT)係数が与えられたとき、その係数を特徴として、元の時系列をラベルとして訓練する。 提案手法は、2つの実世界のデータセットから17ヶ月の集束太陽太陽光発電(PV)電力データを用いて評価される。
  論文  参考訳（メタデータ） (2022-10-01T13:02:43Z)
• 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)
• PnP-DETR: Towards Efficient Visual Analysis with Transformers [146.55679348493587]
  近年、DeTRはトランスフォーマーを用いたソリューションビジョンタスクの先駆者であり、画像特徴マップを直接オブジェクト結果に変換する。 最近の変圧器を用いた画像認識モデルとTTは、一貫した効率向上を示す。
  論文  参考訳（メタデータ） (2021-09-15T01:10:30Z)

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。