論文の概要: Physics-Informed State Space Models for Reliable Solar Irradiance Forecasting in Off-Grid Systems

• arxiv url: http://arxiv.org/abs/2604.11807v1
• Date: Mon, 13 Apr 2026 17:59:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.750575
• Title: Physics-Informed State Space Models for Reliable Solar Irradiance Forecasting in Off-Grid Systems
• Title（参考訳）: オフグリッド系における信頼性太陽放射予測のための物理インフォームド状態空間モデル
• Abstract要約: 本研究では,複雑な気候動態を地図化するための熱力学液体マニフォールドネットワークを提案する。 このアーキテクチャはスペクトルユニットと乗算熱力学アルファゲートを統合している。 このフレームワークは18.31 Wh/m2のRMSEを達成し、ピアソン相関は0.988である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The stable operation of autonomous off-grid photovoltaic systems dictates reliance on solar forecasting algorithms that respect atmospheric thermodynamics. Contemporary deep learning models consistently exhibit critical anomalies, primarily severe temporal phase lags during cloud transients and physically impossible nocturnal power generation. To resolve this divergence between data-driven modeling and deterministic celestial mechanics, this research introduces the Thermodynamic Liquid Manifold Network. The proposed methodology projects 15 meteorological and geometric variables into a Koopman-linearized Riemannian manifold to systematically map complex climatic dynamics. The architecture integrates a Spectral Calibration unit and a multiplicative Thermodynamic Alpha-Gate. This system synthesizes real-time atmospheric opacity with theoretical clear-sky boundary models, structurally enforcing strict celestial geometry compliance. This completely neutralizes phantom nocturnal generation while maintaining zero-lag synchronization during rapid weather shifts. Validated against a rigorous five-year testing horizon in a severe semi-arid climate, the framework achieves an RMSE of 18.31 Wh/m2 and a Pearson correlation of 0.988. The model strictly maintains a zero-magnitude nocturnal error across all 1826 testing days and exhibits a sub-30-minute phase response during high-frequency transients. Comprising exactly 63,458 trainable parameters, this ultra-lightweight design establishes a robust, thermodynamically consistent standard for edge-deployable microgrid controllers.
• Abstract（参考訳）: 自律的なオフグリッド型太陽光発電システムの安定した運用は、大気熱力学を尊重する太陽予測アルゴリズムに依存することを規定している。 現代のディープラーニングモデルは、主に雲の過渡期と物理的に不可能な夜間発電の時間的位相ラグといった重要な異常を一貫して示している。 データ駆動モデリングと決定論的天体力学のこの相違を解決するために,本研究では熱力学液体マニフォールドネットワークを導入する。 提案手法は15の気象変数と幾何変数をクープマン線型リーマン多様体に射影し、複雑な気候力学を体系的にマッピングする。 このアーキテクチャはスペクトル校正ユニットと乗算熱力学アルファゲートを統合している。 このシステムは、理論的なクリアスキー境界モデルを用いてリアルタイムな大気不透明度を合成し、構造的に厳密な天体幾何学のコンプライアンスを強制する。 これにより、急激な気象変動時にゼロラグ同期を維持しながら、ファントム夜間発生を完全に中和する。 厳しい半乾燥気候下での厳密な5年間の試験地平線に対して検証され、18.31Wh/m2のRMSEと0.988のピアソン相関を達成した。 このモデルは、1826年の全試験日にわたってゼロマグニチュード夜行誤差を厳格に維持し、高周波過渡期において30分以下の位相応答を示す。 正確に63,458個のトレーニング可能なパラメータを含むこの超軽量設計は、エッジ展開可能なマイクログリッドコントローラの堅牢で熱力学的に一貫した標準を確立している。

関連論文リスト

• SkyJEPA: Learning Long-Horizon World Models for Zero-Shot Sim-to-Real Control of Quadrotors [48.60897189520386]
  本稿では,実時間四重項制御のためのJEPAスタイルモデルを提案する。 我々は、潜伏動力学モデルと、凍結した潜伏者を解釈可能な状態にマッピングする、物理学に着想を得た新しいプロバーを組み合わせる。 高価で安全性の低い実世界のデータ収集への依存を低減するため,自動データセット生成のための構造化パイプラインを構築した。
  論文  参考訳（メタデータ） (2026-06-22T15:00:59Z)
• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• Outperforming Self-Attention Mechanisms in Solar Irradiance Forecasting via Physics-Guided Neural Networks [0.0]
  アーキテクチャの深さよりもドメイン知識を優先する軽量な物理インフォームドハイブリッドCNN-BiLSTMフレームワークを提案する。 標準的なデータ駆動アプローチとは異なり、私たちのモデルは、Clear-Sky IndicesやSolar Zenith Angleなど15のエンジニアリングされた特徴のベクターによって明示的に導かれています。 スーダンのNASA POWERデータを用いた実験的検証では、我々の物理誘導によるアプローチが19.53W/m2のルート平均角誤差(RMSE)を達成し、複雑な注意ベースラインを著しく上回ることを示した。
  論文  参考訳（メタデータ） (2026-04-15T04:17:20Z)
• Thermodynamic Liquid Manifold Networks: Physics-Bounded Deep Learning for Solar Forecasting in Autonomous Off-Grid Microgrids [0.0]
  本研究では,複雑な気候動態を地図化するための熱力学液体マニフォールドネットワークを提案する。 このフレームワークは18.31 Wh/m2のRMSEを達成し、ピアソン相関は0.988である。 この超軽量設計は、エッジデプロイ可能なコントローラの堅牢で熱力学的に一貫した標準を確立する。
  論文  参考訳（メタデータ） (2026-04-13T18:02:47Z)
• Spatiotemporal System Forecasting with Irregular Time Steps via Masked Autoencoder [36.06018466897679]
  物理時空間マスケオートエンコーダは、不規則時系列に最適化されたマスク付きオートエンコーダと空間特徴抽出のための畳み込みオートエンコーダを統合する。 本手法は,複数のシミュレーションデータセットと実世界の海洋温度データを用いて評価する。 このモデルは、気候モデリング、流体力学、海洋予測、環境モニタリング、科学計算など、ドメイン固有の知識を必要とせずに複雑な時間パターンをキャプチャする可能性を示している。
  論文  参考訳（メタデータ） (2026-03-26T16:14:11Z)
• Towards Efficient and Stable Ocean State Forecasting: A Continuous-Time Koopman Approach [17.986879367736762]
  連続時間クープマンオートエンコーダ (CT-KAE) は, 長期海洋状態予測のための軽量サロゲートモデルである。 CT-KAEは、自己回帰トランスフォーマーベースラインとは対照的に、境界誤差成長と安定した大規模統計を示す。 このモデルでは,数値解法よりも高速な推定が可能である。
  論文  参考訳（メタデータ） (2026-03-05T09:39:44Z)
• GNSS-based Lunar Orbit and Clock Estimation With Stochastic Cloning UD Filter [0.0]
  本稿では,月面衛星の地球軌道とクロック推定の枠組みについて述べる。 我々は,正確な時間差キャリア位相(TDCP)測定を行う際の数値安定性を向上するLunar-cloning UD-factorized filter と遅延状態スムースラーを開発した。
  論文  参考訳（メタデータ） (2026-01-23T01:54:35Z)
• LiQSS: Post-Transformer Linear Quantum-Inspired State-Space Tensor Networks for Real-Time 6G [85.58816960936069]
  Sixth-Generation (6G) Open Radio Access Networks (O-RAN) における能動的およびエージェント的制御は、厳密なニアタイム(Near-RT)レイテンシと計算制約の下で制御グレードの予測を必要とする。 本稿では,効率的な無線テレメトリ予測のための変圧器後パラダイムについて検討する。 本稿では、自己アテンションを安定な状態空間動的カーネルに置き換える量子インスピレーション付き状態空間テンソルネットワークを提案する。
  論文  参考訳（メタデータ） (2026-01-18T12:08:38Z)
• Forecasting Thermospheric Density with Transformers for Multi-Satellite Orbit Management [41.99844472131922]
  この研究は、最大3日前に密度を予測するトランスフォーマーベースのモデルを提示します。 空間的縮小と複雑な入力パイプラインを回避し、コンパクトな入力セットで直接動作する。 実世界のデータに基づいて検証され、ミッションプランニングを支援する可能性を示す。
  論文  参考訳（メタデータ） (2025-11-08T19:02:14Z)
• Nowcast3D: Reliable precipitation nowcasting via gray-box learning [43.74533335638689]
  極端降水は高次元の忠実度とリードタイムを要求されるが、既存のアプローチは限られている。 我々は、レーダの動きと、データ駆動学習を伴う物理的に制約されたニューラル演算子を直接処理する、グレーボックスで完全な3時間放送フレームワークを導入する。 このフレームワークは、160人の気象学者によるブラインド評価において、より正確な3時間のリードタイムを達成する。
  論文  参考訳（メタデータ） (2025-11-06T18:44:35Z)
• Physics-constrained generative machine learning-based high-resolution downscaling of Greenland's surface mass balance and surface temperature [44.99833362998488]
  グリーンランド氷床の表面質量収支(SMB)と表面温度の高分解能投射は将来の海面上昇を理解するのに不可欠である。 本稿では、低分解能SMBおよび表面温度場をダウンスケールする一貫性モデル(CM)に基づく、物理制約付き生成モデリングフレームワークを提案する。 提案手法は,高速推論による氷床シミュレーションのために,現実的で高解像度な気候強制を実現する。
  論文  参考訳（メタデータ） (2025-07-30T08:43:48Z)
• Advanced long-term earth system forecasting by learning the small-scale nature [74.19833913539053]
  私たちは、この根本的な課題に対処するために設計されたAIフレームワークであるTritonを紹介します。 数値モデルにおける小さなスケールを明示的に解決するグリッドの増加に触発されたTritonは、スペクトルバイアスを軽減するために、複数の解像度にわたって階層的なアーキテクチャ処理情報を使用する。 我々は,トライトンによる挑戦的な予測課題における優れた性能,安定な1年間の世界気温予測,120日間の熟練した黒潮渦予測,高忠実乱流シミュレーションを実証した。
  論文  参考訳（メタデータ） (2025-05-26T02:49:00Z)
• Learning to Dissipate Energy in Oscillatory State-Space Models [51.98491034847041]
  状態空間モデル (SSM) はシーケンス学習のためのネットワークのクラスである。 我々は,D-LinOSSがLinOSSの手法を長距離学習タスクで一貫して上回っていることを示す。
  論文  参考訳（メタデータ） (2025-05-17T23:15:17Z)
• Gridded Transformer Neural Processes for Large Unstructured Spatio-Temporal Data [47.14384085714576]
  本稿では,非構造化観測を行うための格子状擬似トークンPと,効率的な注意機構を利用する格子状擬似トークンを含むプロセッサを紹介する。 提案手法は,大規模データを含む様々な合成および実世界の回帰タスクにおいて,強いベースラインを一貫して上回る。 実生活実験は気象データに基づいて行われ、気象モデルパイプラインで大規模に適用した場合の性能と計算上の利点をもたらすアプローチの可能性を示す。
  論文  参考訳（メタデータ） (2024-10-09T10:00:56Z)
• Embedding machine-learnt sub-grid variability improves climate model biases [0.44998333629984877]
  雲形成の下の表現は、気候シミュレーションに関連する長年の偏見である。 高分解能統一モデルシミュレーションで訓練された多出力ガウス過程(MOGP)を組み込むことで,これらのバイアスを克服する。 制御モデルとMLハイブリッドモデルの両方に対して10年間の予測が生成される。
  論文  参考訳（メタデータ） (2024-06-13T19:35:58Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• ClimODE: Climate and Weather Forecasting with Physics-informed Neural ODEs [14.095897879222676]
  統計力学の重要な原理を実装した連続時間プロセスであるClimODEを提案する。 ClimODEは、値保存ダイナミクスによる正確な気象進化をモデル化し、ニューラルネットワークとしてグローバルな気象輸送を学習する。 提案手法は,大域的,地域的予測において,パラメータ化の桁違いで既存のデータ駆動手法より優れる。
  論文  参考訳（メタデータ） (2024-04-15T06:38:21Z)
• A conditional latent autoregressive recurrent model for generation and forecasting of beam dynamics in particle accelerators [46.348283638884425]
  本稿では,加速器内の荷電粒子のダイナミクスを学習するための2段階の非教師付きディープラーニングフレームワークであるLatent Autoregressive Recurrent Model (CLARM)を提案する。 CLARMは、潜在空間表現をキャプチャしてデコードすることで、様々な加速器サンプリングモジュールでプロジェクションを生成することができる。 その結果,提案手法の予測能力と生成能力は,様々な評価指標と比較した場合に有望であることが示唆された。
  論文  参考訳（メタデータ） (2024-03-19T22:05:17Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)
• Reduced Order Probabilistic Emulation for Physics-Based Thermosphere Models [0.0]
  本研究は,TIE-GCM(Thermosphere Ionosphere Electrodynamics Circulation General Model)のための効率的なサロゲートを作成するために,確率論的機械学習(ML)手法を採用することを目的とする。 利用可能なデータ全体で、TIE-GCM ROPEは従来の線形手法と同様の誤差を示しながら、嵐時モデリングを改善した。 また,TIE-GCM ROPEは,TIE-GCM密度から得られる位置を5kmの偏りで捉えることができることを示す。
  論文  参考訳（メタデータ） (2022-11-08T17:36:37Z)

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。