論文の概要: Cross-Domain Offshore Wind Power Forecasting: Transfer Learning Through Meteorological Clusters

• arxiv url: http://arxiv.org/abs/2601.19674v1
• Date: Tue, 27 Jan 2026 14:54:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.356054
• Title: Cross-Domain Offshore Wind Power Forecasting: Transfer Learning Through Meteorological Clusters
• Title（参考訳）: クロスドメインオフショア風力予測:気象クラスタによる伝達学習
• Authors: Dominic Weisser, Chloé Hashimoto-Cullen, Benjamin Guedj,
• Abstract要約: 気象特性に応じて出力をクラスタリングする移動学習フレームワークを提案する。 単一の汎用モデルをトレーニングするのではなく、それぞれがクラスタ上でトレーニングされた専門家モデルの集合で予測する。 我々の実験は3.52%のMAEを達成し、信頼性のある予測が完全な年次サイクルを必要としないという実証的な検証を提供する。
• 参考スコア（独自算出の注目度）: 11.274351463345461
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Ambitious decarbonisation targets are catalysing growth in orders of new offshore wind farms. For these newly commissioned plants to run, accurate power forecasts are needed from the onset. These allow grid stability, good reserve management and efficient energy trading. Despite machine learning models having strong performances, they tend to require large volumes of site-specific data that new farms do not yet have. To overcome this data scarcity, we propose a novel transfer learning framework that clusters power output according to covariate meteorological features. Rather than training a single, general-purpose model, we thus forecast with an ensemble of expert models, each trained on a cluster. As these pre-trained models each specialise in a distinct weather pattern, they adapt efficiently to new sites and capture transferable, climate-dependent dynamics. Through the expert models' built-in calibration to seasonal and meteorological variability, we remove the industry-standard requirement of local measurements over a year. Our contributions are two-fold - we propose this novel framework and comprehensively evaluate it on eight offshore wind farms, achieving accurate cross-domain forecasting with under five months of site-specific data. Our experiments achieve a MAE of 3.52\%, providing empirical verification that reliable forecasts do not require a full annual cycle. Beyond power forecasting, this climate-aware transfer learning method opens new opportunities for offshore wind applications such as early-stage wind resource assessment, where reducing data requirements can significantly accelerate project development whilst effectively mitigating its inherent risks.
• Abstract（参考訳）: 有害な脱炭ターゲットは、新しいオフショア風力発電所の発注で成長を触媒している。 これら新規に発注されたプラントを稼働させるためには、開始時から正確な電力予測が必要である。 これにより、グリッドの安定性、優れたリザーブ管理、効率的なエネルギー取引が可能になる。 強力なパフォーマンスを持つ機械学習モデルにもかかわらず、新しい農場が持っていない大量のサイト固有のデータを必要とする傾向にある。 このデータ不足を克服するために,共変量気象特性に応じて出力をクラスタリングする新しい移動学習フレームワークを提案する。 単一の汎用モデルをトレーニングするのではなく、それぞれがクラスタ上でトレーニングされた専門家モデルの集合で予測する。 これらの事前訓練されたモデルは、それぞれ異なる気象パターンを特化しているため、新しい場所に効率的に適応し、移動可能で気候に依存したダイナミクスを捉える。 専門家モデルのキャリブレーションを季節的・気象学的変動に組み込むことで,地域測定の業界標準要件を1年以上にわたって排除する。 我々の貢献は2倍のものであり、我々はこの新しい枠組みを提案し、沖合の8つの風力発電所で網羅的に評価し、正確なクロスドメイン予測を5ヶ月以下のサイト固有データで達成した。 我々の実験は3.52\%のMAEを達成し、信頼性のある予測が完全な年次サイクルを必要としないという実証的な検証を提供する。 電力予測以外にも、この気候対応トランスファー学習手法は、早期の風力資源評価のようなオフショア風力応用の新しい機会を開き、データ要求の低減は、その固有のリスクを効果的に軽減しつつ、プロジェクト開発を著しく加速させることができる。

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)
• Multi-Source Temporal Attention Network for Precipitation Nowcasting [4.726419619132143]
  降水量は様々な産業で重要であり、気候変動の緩和と適応に重要な役割を果たしている。 降水量予測のための効率的な深層学習モデルを導入し,既存の運用モデルよりも高い精度で降雨を最大8時間予測する。
  論文  参考訳（メタデータ） (2024-10-11T09:09:07Z)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• Scaling transformer neural networks for skillful and reliable medium-range weather forecasting [23.249955524044392]
  本稿では,標準変圧器バックボーンの変更を最小限に抑えつつ,気象予報の最先端性能であるStormerを紹介する。 Stormerの中核はランダムな予測目標であり、様々な時間間隔で天気のダイナミクスを予測するためにモデルを訓練する。 ウェザーベンチ2では、ストーマーは短距離から中距離の予測で競争力を発揮し、現在の手法を7日を超えて上回っている。
  論文  参考訳（メタデータ） (2023-12-06T19:46:06Z)
• Learning Robust Precipitation Forecaster by Temporal Frame Interpolation [65.5045412005064]
  本研究では,空間的不一致に対するレジリエンスを示す頑健な降水予測モデルを構築した。 提案手法は,textit4cast'23コンペティションの移行学習リーダーボードにおいて,textit1位を確保したモデルにおいて,予測精度が大幅に向上した。
  論文  参考訳（メタデータ） (2023-11-30T08:22:08Z)
• Asset Bundling for Wind Power Forecasting [15.393565192962482]
  本研究は,アセットバンドル,マシンラーニング,予測和解技術を統合したBPR( Bundle-Predict-Reconcile)フレームワークを提案する。 BPRフレームワークはまず中間階層レベル(バンドル)を学習し、続いて資産、バンドル、フリートレベルでの風力発電を予測し、最後にすべての予測を整合性を確保するために調整する。
  論文  参考訳（メタデータ） (2023-09-28T14:56:34Z)
• An unsupervised learning approach for predicting wind farm power and downstream wakes using weather patterns [0.0]
  我々は,教師なしクラスタリング手法から得られた気象パターンと数値的な天気予報モデルを組み合わせた新しい風力エネルギーワークフローを開発した。 我々の長期予測は1年間のWRFシミュレーションと一致するが、計算時間は2%未満であることを示す。 提案手法は、高速で正確で柔軟な手法を提供することにより、出力および下流ファームウェイの複数年間の予測を容易にする。
  論文  参考訳（メタデータ） (2023-02-12T10:05:25Z)
• 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)

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。