論文の概要: SolarTformer: A Transformer Based Deep Learning Approach for Short Term Solar Power Forecasting

• arxiv url: http://arxiv.org/abs/2604.24306v1
• Date: Mon, 27 Apr 2026 10:56:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-28 17:12:07.911375
• Title: SolarTformer: A Transformer Based Deep Learning Approach for Short Term Solar Power Forecasting
• Title（参考訳）: SolarTformer: 短期太陽発電予測のためのトランスフォーマーに基づくディープラーニングアプローチ
• Authors: Ankan Basu, Jyotiraditya Roy, Aditya Datta, Prayas Sanyal, Sumanta Banerjee,
• Abstract要約: SolarTformerは気象データから出力される太陽エネルギーを予測するように設計されている。 実験の結果,SolarTformerは同じデータセット上で従来のモデルよりも大幅に優れていた。 これらの知見は、太陽予測の精度を高めるための注意に基づくアーキテクチャの可能性を示している。
• 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: Accurate forecasting of solar power output is essential for efficient integration of renewable energy into the grid. In this study, an attention-based deep learning model, inspired by transformer architecture, is used for short-term solar power forecasting. Our proposed model, "SolarTformer", is designed to predict solar power output from meteorological data. Unlike traditional models, SolarTformer leverages self-attention mechanisms to effectively capture temporal dependencies and spatial variability in solar irradiance. In addition, the proposed methodology includes feeding power station-specific metadata into the model, which helps to generalize between power stations located at different locations and with different panel configurations and in different seasons. Our experiments demonstrate that SolarTformer significantly outperforms previous models on the same data set. In particular, the model exhibits strong performance on both clear and cloudy days, indicating high robustness and generalizability. These findings highlight the potential of attention-based architectures in enhancing the accuracy of solar forecasting, contributing to a more reliable management of renewable energy.
• Abstract（参考訳）: 太陽光発電の正確な予測は、再生可能エネルギーのグリッドへの効率的な統合に不可欠である。 本研究では,変圧器アーキテクチャにインスパイアされた注意に基づくディープラーニングモデルを用いて,太陽エネルギーの短期予測を行う。 提案するモデル「SolarTformer」は気象データから出力される太陽エネルギーを予測するために設計されている。 従来のモデルとは異なり、SolarTformerは自己保持機構を利用して、太陽の光の時間的依存性と空間的変動を効果的に捉えている。 さらに, 提案手法は, 異なる場所と異なるパネル構成, 異なる季節の電源ステーション間の一般化を支援するために, ステーション固有のメタデータをモデルに供給することを含む。 実験の結果,SolarTformerは同じデータセット上で従来のモデルよりも大幅に優れていた。 特に、このモデルは澄んだ日と曇りの日に強い性能を示し、高い堅牢性と一般化性を示している。 これらの知見は、太陽予測の精度を高めるための注意に基づくアーキテクチャの可能性を強調し、再生可能エネルギーのより信頼性の高い管理に寄与する。

関連論文リスト

• Meteorological data and Sky Images meets Neural Models for Photovoltaic Power Forecasting [18.633528239379483]
  本研究は,同目的の2つの研究に基づいて,短期・長期予測のためのハイブリッドアプローチを開発する。 空と太陽光発電の歴史を気象データと組み合わせたマルチモーダル手法を提案する。 主な目標は、ランプイベント予測の精度を改善し、曇り条件下での予測の堅牢性を高め、現在の放送を超えて機能を拡張することである。
  論文  参考訳（メタデータ） (2026-02-17T18:14:15Z)
• 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)
• 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)
• SPIRIT: Short-term Prediction of solar IRradIance for zero-shot Transfer learning using Foundation Models [8.338935469877546]
  太陽放射予測に基礎モデルを活用する新しい手法を提案する。 提案手法は,ゼロショットトランスファー学習における最先端モデルを約70%向上させ,過去のデータに頼ることなく,新しい場所での効果的なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-02-14T17:10:17Z)
• Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
  エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。 本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。 評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
  論文  参考訳（メタデータ） (2023-07-14T06:50:02Z)
• Improving day-ahead Solar Irradiance Time Series Forecasting by Leveraging Spatio-Temporal Context [46.72071291175356]
  太陽発電は二酸化炭素の排出量を大幅に削減することで気候変動を緩和する大きな可能性を秘めている。 しかし、太陽光の固有の変動は、電力網に太陽エネルギーをシームレスに統合する上で大きな課題となる。 本稿では,衛星データを用いた時間的文脈の活用を目的としたディープラーニングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2023-06-01T19:54:39Z)
• A Comparative Study on Generative Models for High Resolution Solar Observation Imaging [59.372588316558826]
  本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。 スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
  論文  参考訳（メタデータ） (2023-04-14T14:40:32Z)
• Computational Solar Energy -- Ensemble Learning Methods for Prediction of Solar Power Generation based on Meteorological Parameters in Eastern India [0.0]
  特定の地理的位置に対して太陽光発電(PV)発電量を推定することが重要である。 本稿では,太陽PV発電における気象パラメータの影響を,Bagging,Boosting,Stacking,VottingなどのEnsemble ML(EML)モデルを用いて推定する。 その結果,スタックモデルと投票モデルでは,約96%の予測精度が得られた。
  論文  参考訳（メタデータ） (2023-01-21T19:16:03Z)

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。