論文の概要: Cloud-Edge Collaborative Large Models for Robust Photovoltaic Power Forecasting

• arxiv url: http://arxiv.org/abs/2603.22343v2
• Date: Wed, 25 Mar 2026 05:37:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 14:25:25.988392
• Title: Cloud-Edge Collaborative Large Models for Robust Photovoltaic Power Forecasting
• Title（参考訳）: ロバストな太陽光発電電力予測のためのクラウドエッジ協調型大規模モデル
• Authors: Nan Qiao, Shuning Wang, Sijing Duan, Wenpeng Cui, Yuzhe Chen, Qingchen Yang, Xingyuan Hua, Ju Ren,
• Abstract要約: 本稿では,PV予測のための条件適応型クラウドエッジ協調フレームワーク*CAPE*を提案する。 CAPE*は3つの主要なモジュールから構成される: ルーチン予測のためのサイト固有のエキスパートモデル、局所推論を強化する軽量エッジサイドモデル、クラウドベースの大規模検索モデル。 2つの実世界のPVデータセットの実験では、*CAPE*は精度、堅牢性、ルーティング品質、システム効率の予測において優れたパフォーマンスを達成している。
• 参考スコア（独自算出の注目度）: 10.936533381499016
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Photovoltaic (PV) power forecasting in edge-enabled grids requires balancing forecasting accuracy, robustness under weather-driven distribution shifts, and strict latency constraints. Existing models work well under normal conditions but often struggle with rare ramp events and unexpected weather changes. Relying solely on cloud-based large models often leads to significant communication delays, which can hinder timely and efficient forecasting in practical grid environments. To address these issues, we propose a condition-adaptive cloud-edge collaborative framework *CAPE* for PV forecasting. *CAPE* consists of three main modules: a site-specific expert model for routine predictions, a lightweight edge-side model for enhanced local inference, and a cloud-based large retrieval model that provides relevant historical cases when needed. These modules are coordinated by a screening module that evaluates uncertainty, out-of-distribution risk, weather mutations, and model disagreement. Furthermore, we employ a Lyapunov-guided routing strategy to dynamically determine when to escalate inference to more powerful models under long-term system constraints. The final forecast is produced through adaptive fusion of the selected model outputs. Experiments on two real-world PV datasets demonstrate that *CAPE* achieves superior performance in terms of forecasting accuracy, robustness, routing quality, and system efficiency.
• Abstract（参考訳）: エッジ対応グリッドにおける太陽光発電(PV)電力予測には、予測精度、気象駆動分布シフト時の堅牢性、厳密なレイテンシ制約のバランスが必要である。 既存のモデルは通常の条件下ではうまく機能するが、稀なランプイベントや予期せぬ天候変化に苦しむことが多い。 クラウドベースの大規模モデルにのみ依存すると、通信の遅延が著しくなり、実用的なグリッド環境での時間的かつ効率的な予測を妨げかねない。 これらの問題に対処するため、PV予測のための条件適応型クラウド-エッジ協調フレームワーク*CAPE*を提案する。 *CAPE*は3つの主要なモジュールから構成される: ルーチン予測のためのサイト固有のエキスパートモデル、局所推論を強化するための軽量エッジサイドモデル、必要な場合に関連する歴史的ケースを提供するクラウドベースの大規模検索モデル。 これらのモジュールは、不確実性、アウト・オブ・ディストリビューションリスク、気象変異、モデル不一致を評価するスクリーニングモジュールによって調整される。 さらに、Lyapunov誘導ルーティング戦略を用いて、長期システム制約下での推論をより強力なモデルにエスカレートするタイミングを動的に決定する。 最終予測は、選択されたモデル出力の適応的な融合によって生成される。 2つの実世界のPVデータセットの実験では、*CAPE*は精度、堅牢性、ルーティング品質、システム効率の予測において優れたパフォーマンスを達成している。

関連論文リスト

• Extreme Weather Nowcasting via Local Precipitation Pattern Prediction [6.992919908851609]
  ExPreCastは、詳細なレーダ予測を生成するための効率的な決定論的フレームワークである。 我々の手法は最先端の性能を実現し、通常の降雨体制と極端な降雨体制の両方で正確で信頼性の高い流星を届ける。
  論文  参考訳（メタデータ） (2026-02-05T01:55:14Z)
• Structured Noise Modeling for Enhanced Time-Series Forecasting [0.0]
  本研究は、構造的ノイズモデリングによる時間的忠実度を改善する予測ブルーデノエーズフレームワークを導入する。 電気、交通、太陽のデータセットにわたる実験は、マルチ水平精度と安定性において一貫した利得を示している。 このフレームワークは、エネルギー、インフラストラクチャ、その他の時間クリティカルドメインにわたる予測駆動決定サポートに使用される、より信頼性の高いAIシステムに寄与する。
  論文  参考訳（メタデータ） (2025-11-24T19:44:46Z)
• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• 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)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)

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。