論文の概要: Thermodynamic Liquid Manifold Networks: Physics-Bounded Deep Learning for Solar Forecasting in Autonomous Off-Grid Microgrids

• arxiv url: http://arxiv.org/abs/2604.11909v1
• Date: Mon, 13 Apr 2026 18:02:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-15 19:11:32.04589
• Title: Thermodynamic Liquid Manifold Networks: Physics-Bounded Deep Learning for Solar Forecasting in Autonomous Off-Grid Microgrids
• Title（参考訳）: 熱力学的液体マニフォールドネットワーク:自律型オフグリッドマイクログリッドにおける太陽予測のための物理境界深層学習
• Authors: Mohammed Ezzaldin Babiker Abdullah,
• 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。
• 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 requires 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 methodology projects 22 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 optical 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には、大気熱力学を尊重する太陽予測アルゴリズムが必要である。 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。 この方法論は22の気象変数と幾何学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、高周波光遷移中の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

• Physics-Informed State Space Models for Reliable Solar Irradiance Forecasting in Off-Grid Systems [0.0]
  本稿では,エッジ展開マイクロコントローラの効率性と物理精度のギャップを埋める物理インフォームド・ステート・スペース・モデル(PISSM)を提案する。 線形状態空間モデルは重心の注意機構を置き換え、並列処理のための時間依存を効率的にモデル化する。 PISSMは4万パラメータ未満で優れた精度を達成し、リアルタイムオフグリッド制御のための超軽量なベンチマークを確立する。
  論文  参考訳（メタデータ） (2026-04-13T17:59:49Z)
• Online learning of subgrid-scale models for quasi-geostrophic turbulence in planetary interiors [41.99844472131922]
  軸対称境界領域における準破壊的乱流について検討する。 流れは所定の解析力によって駆動される。 我々は,1回のターンオーバー時間のみにまたがるデータに基づいてトレーニングされたSGSモデルが,トレーニング期間より少なくとも100倍長い統合よりも安定かつ正確であることを示す。
  論文  参考訳（メタデータ） (2025-11-18T15:21:38Z)
• LUCIE-3D: A three-dimensional climate emulator for forced responses [2.2017231371066672]
  LUCIE-3Dは軽量な3次元気候エミュレータである。 大気の垂直構造を捉え、気候変動の強制に反応し、長期安定して計算効率を維持するように設計されている。
  論文  参考訳（メタデータ） (2025-09-02T07:59:23Z)
• 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)
• Towards Physically Consistent Deep Learning For Climate Model Parameterizations [46.07009109585047]
  パラメータ化は、気候予測において、系統的なエラーと大きな不確実性の主な原因である。 深層学習(DL)に基づくパラメータ化は、計算に高価で高解像度のショートシミュレーションのデータに基づいて訓練されており、気候モデルを改善するための大きな可能性を示している。 本稿では,DLに基づくパラメータ化のための効率的な教師付き学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-06T10:02:49Z)
• 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)
• 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。