論文の概要: Step-adaptive multimodal fusion network with multi-scale cloud feature learning for ultra-short-term solar irradiance forecasting

• arxiv url: http://arxiv.org/abs/2606.06102v1
• Date: Thu, 04 Jun 2026 12:42:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-05 22:39:44.792756
• Title: Step-adaptive multimodal fusion network with multi-scale cloud feature learning for ultra-short-term solar irradiance forecasting
• Title（参考訳）: 超短周期太陽放射予測のためのマルチスケールクラウド特徴学習を用いたステップ適応型マルチモーダル核融合ネットワーク
• Authors: Jingxin Zhang Xiaoqin Wang,
• Abstract要約: 本稿では,超短距離照射予測のためのマルチソースデータ融合モデルを提案する。 このモデルはまずInceptionNeXtを使って、地上のクラウド画像からマルチスケールで多方向の空間的特徴を抽出する。 そして、ステップ適応型低周波補償ユニットを導入し、予測ステップに基づいてグローバル低周波情報を動的に変調する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ultra-short-term solar irradiance prediction is critical for photovoltaic system dispatch and power grid stability. Existing approaches suffer from three key shortcomings: single time-series models cannot capture the spatial dynamics of clouds under complex conditions, standard convolutions inadequately represent multi-scale cloud features, and fixed low-frequency compensation strategies fail to adapt to different prediction steps. To address these issues, this proposes a multi-source data fusion model for ultra-short-term irradiance prediction. The model first employs InceptionNeXt to extract multi-scale, multi-directional spatial features from ground-based cloud images. A step-adaptive low-frequency compensation unit is then introduced to dynamically modulate global low-frequency information based on the prediction step. Eventually, the enhanced image features are combined with meteorological time-series features, and a TempAttnLSTM network captures global temporal dependencies for multi-step prediction. Experiments on the public NREL dataset and practical photovoltaic stations in Shandong illustrate the effectiveness of the proposed method compared with several state-of-the-art approaches.
• Abstract（参考訳）: 超短寿命の太陽放射予測は、太陽光発電システムディスパッチと電力グリッドの安定性に不可欠である。 単一時系列モデルは複雑な条件下での雲の空間的ダイナミクスを捉えることができず、標準的な畳み込みはマルチスケールの雲の特徴を不十分に表現し、固定された低周波補償戦略は異なる予測ステップに適応できない。 これらの問題に対処するため,超短距離照射予測のためのマルチソースデータ融合モデルを提案する。 このモデルはまずInceptionNeXtを用いて、地上のクラウド画像からマルチスケールで多方向の空間的特徴を抽出する。 そして、ステップ適応型低周波補償ユニットを導入し、予測ステップに基づいてグローバル低周波情報を動的に変調する。 最終的に、拡張された画像特徴と気象学的時系列特徴が組み合わされ、TempAttnLSTMネットワークは、多段階予測のためのグローバルな時間的依存関係をキャプチャする。 山東省のNRELデータセットと実用太陽光発電ステーションの実験は、提案手法の有効性をいくつかの最先端手法と比較した。

関連論文リスト

• VMU-Diff: A Coarse-to-fine Multi-source Data Fusion Framework for Precipitation Nowcasting [9.702321405779513]
  既存の手法は、決定論的または確率論的モデルを構築するために、単一ソースのレーダーデータに依存している。 本稿では,新しい粗大な視覚マンバUnetと残留拡散(VMU-Diff)に基づく降水処理フレームワークを提案する。 SWANデータセットを用いた実験により,最先端手法による手法の改良が実証された。
  論文  参考訳（メタデータ） (2026-05-14T09:05:30Z)
• 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)
• Cross-Scenario Deraining Adaptation with Unpaired Data: Superpixel Structural Priors and Multi-Stage Pseudo-Rain Synthesis [48.809049043865905]
  低レベルのコンピュータビジョンでは,イメージデライン化が重要な役割を担っている。 ディープラーニングのパラダイムは、目に見えないアウト・オブ・ディストリビューションシナリオに一般化された場合、厳しいパフォーマンス劣化に悩まされることが多い。 本稿では,クロスシナリオ・デライニング適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-03-23T07:38:55Z)
• Cloud-Edge Collaborative Large Models for Robust Photovoltaic Power Forecasting [10.936533381499016]
  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。
  論文  参考訳（メタデータ） (2026-03-21T20:09:22Z)
• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• M3S-Net: Multimodal Feature Fusion Network Based on Multi-scale Data for Ultra-short-term PV Power Forecasting [13.79706446185]
  太陽放射の断続性と高周波変動は、高磁束にとって重要な課題である。 既存のアーキテクチャは主に、浅い機能結合とバイナリクラウドセグメンテーションに依存している。 本稿では,超短時間PV電力予測のためのマルチスケールデータに基づく新しいマルチモーダル融合ネットワークであるM3S-Netを提案する。
  論文  参考訳（メタデータ） (2026-02-23T13:30:59Z)
• RainDiff: End-to-end Precipitation Nowcasting Via Token-wise Attention Diffusion [64.49056527678606]
  本稿では,U-Net拡散モデルだけでなく,レーダ時間エンコーダにも統合されたトークンワイドアテンションを提案する。 従来の手法とは異なり,本手法は,画素空間拡散の典型的な高資源コストを発生させることなく,アーキテクチャに注意を集中させる。 実験と評価により,提案手法は複雑な降水予測シナリオにおいて,最先端の手法,ロバストネスの局所的忠実度,一般化,優位性を著しく上回ることを示した。
  論文  参考訳（メタデータ） (2025-10-16T17:59:13Z)
• Contrastive Representation Learning for Predicting Solar Flares from Extremely Imbalanced Multivariate Time Series Data [1.024113475677323]
  太陽フレアは太陽の磁束の急激な急上昇であり、技術基盤に大きなリスクをもたらす。 本稿では,多変量時系列データに対する新しいコントラクティブ表現学習手法であるConTREXを紹介する。 提案手法は, 太陽フレア (SWAN-SF) 多変量時系列ベンチマークデータセットにおいて, 有望な太陽フレア予測結果を示すものである。
  論文  参考訳（メタデータ） (2024-10-01T01:20:47Z)
• 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)

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。