論文の概要: Tyan-WP: A Wind Power Foundation Model for Ultra-Short-Term Probabilistic Forecasting

• arxiv url: http://arxiv.org/abs/2606.08630v1
• Date: Sun, 07 Jun 2026 13:50:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:06.305739
• Title: Tyan-WP: A Wind Power Foundation Model for Ultra-Short-Term Probabilistic Forecasting
• Title（参考訳）: Tyan-WP:超短周期確率予測のための風力発電基礎モデル
• Authors: Jiahui Huang, Ao Luo, Lei Liu, Hongwei Zhao, Tengyuan Liu, Ruibo Guo, Bo Wang, Zhao Wang, Bin Li,
• Abstract要約: 我々は,超短周期確率予測のための最初の風力発電基礎モデルであるtextbfTyan-WP を提案する。 Tyan-WPは10のドメインサイトにおいて8つのサイト固有のTSMを超え、117のドメインサイトにおいて11のジェネリックLTSMを上回っている。 その結果,風力基礎モデルでは,目標地点の訓練を伴わずに正確なゼロショット予測が可能であることが示唆された。
• 参考スコア（独自算出の注目度）: 34.21419135186753
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Global wind power capacity, especially in China, is booming, with new farms spanning diverse terrains and climates. The industry urgently needs accurate wind power foundation models to shorten commissioning and accelerate grid connection. This is because site-specific time series models (TSMs) are not well suited to data-scarce scenarios and generalize poorly, while generic large time series models (LTSMs) are mostly limited to univariate inputs and cannot fully exploit static site attributes or the dependencies between power and meteorological covariates, leading to insufficient accuracy. To fill this gap, we propose \textbf{Tyan-WP}, the first wind power foundation model for ultra-short-term probabilistic forecasting. Pretrained on a large-scale wind power dataset covering more than 126,000 U.S. sites over seven years, Tyan-WP further improves zero-shot forecasting through two domain-specific module designs: static site embedding using coordinate, terrain, and ecoregion metadata, and a power-aware meteorological fusion (PAMF) module that models interactions between historical power and meteorological covariates. Under a unified evaluation protocol, Tyan-WP surpasses eight site-specific supervised TSMs on 10 in-domain sites and outperforms eleven generic LTSMs on 127 in-domain sites, reducing MAE by 19.9%, RMSE by 16.6%, CRPS by 22.2%, and AQL by 21.7%, while raising R^2 by 16.7%. It further demonstrates strong cross-geography generalization on six real U.K. sites. These results show that the wind power foundation model can achieve accurate zero-shot forecasting without target-site training, providing a practical pathway for rapid turbine onboarding and probabilistic risk management at new wind farms.
• Abstract（参考訳）: 特に中国では、さまざまな地形や気候にまたがる新しい農場が盛んである。 送電網の接続を短縮し加速するために、産業は緊急に正確な風力発電基礎モデルを必要としている。 これは、サイト固有の時系列モデル(TSM)がデータスカースシナリオに適せず、一般化が不十分であるのに対して、ジェネリックな大時系列モデル(LTSM)は、主に単変量入力に限られており、静的サイト属性や、パワーと気象の共変量間の依存関係を完全に活用できないためである。 このギャップを埋めるために、超短周期確率予測のための最初の風力発電基礎モデルである「textbf{Tyan-WP}」を提案する。 Tyan-WPは7年間に126,000以上の米国サイトをカバーする大規模な風力発電データセットに事前訓練され、2つのドメイン固有のモジュール設計、すなわち座標、地形、生態系メタデータを用いた静的なサイト埋め込み、そして歴史的パワーと気象の共変量の間の相互作用をモデル化するパワー・アウェア・気象融合(PAMF)モジュールによってゼロショット予測をさらに改善した。 統一された評価プロトコルの下で、Tyan-WPは10のドメインサイト上の8つのサイト固有のTSMを超え、127のドメインサイト上で11のジェネリックLTSMを上回り、MAEを19.9%、RMSEを16.6%、CRPSを22.2%、AQLを21.7%、R^2を16.7%削減した。 さらに、イギリスの6つの実際のサイトにおいて、強いクロスジオグラフィーの一般化が示される。 これらの結果から,風力基礎モデルは目標地点の訓練を受けずに正確なゼロショット予測を達成できることが示唆された。

関連論文リスト

• Interpretable Physics-Informed Load Forecasting for U.S. Grid Resilience: SHAP-Guided Ensemble Validation in Hybrid Deep Learning Under Extreme Weather [0.0]
  統一的で解釈可能な物理インフォーム・アンサンブル・フレームワークを提案する。 このフレームワークはテストウィンドウ上で713MW MAE、812MW RMSE、1.18%のMAPEを達成する。 SHAP解析は、通常の運転で温度が支配的になるのに対して、風速や降水は寒冷前線や熱波でより影響を及ぼす。
  論文  参考訳（メタデータ） (2026-04-26T02:26:12Z)
• R$^2$Energy: A Large-Scale Benchmark for Robust Renewable Energy Forecasting under Diverse and Extreme Conditions [13.981431155407249]
  R$2$EnergyはNWPによる再生可能エネルギー予測のための大規模なベンチマークである。 中国4州にまたがる902の風力発電所から170万以上の高忠実な時給記録がある。
  論文  参考訳（メタデータ） (2026-02-17T19:22:49Z)
• WindFM: An Open-Source Foundation Model for Zero-Shot Wind Power Forecasting [18.100611997642257]
  本稿では,風力発電予測のための軽量かつ生成的基礎モデルであるWindFMを紹介する。 WindFMは、これらのトークンシーケンスを自己回帰的に事前学習することで、風力発電のダイナミクスの普遍的な表現を学習する。 本実験は,WindFMが決定的タスクと確率的タスクの両方において,最先端のゼロショット性能を実現することを示す。
  論文  参考訳（メタデータ） (2025-09-08T03:26:18Z)
• Efficient Localized Adaptation of Neural Weather Forecasting: A Case Study in the MENA Region [62.09891513612252]
  地域レベルのダウンストリームタスクに特化して、リミテッド・エリア・モデリングに焦点を合わせ、モデルをトレーニングします。 我々は,気象予報が水資源の管理,農業,極度の気象事象の影響軽減に重要であるという,気象学的課題からMENA地域を考察する。 本研究では,パラメータ効率のよい微調整手法,特にローランド適応(LoRA)とその変種を統合することの有効性を検証することを目的とした。
  論文  参考訳（メタデータ） (2024-09-11T19:31:56Z)
• FengWu-GHR: Learning the Kilometer-scale Medium-range Global Weather Forecasting [56.73502043159699]
  この研究は、データ駆動型世界天気予報モデルであるFengWu-GHRを、0.09$circ$水平解像度で実行した。 低解像度モデルから事前知識を継承することにより、MLベースの高解像度予測を操作するための扉を開く新しいアプローチを導入する。 2022年の天気予報は、FengWu-GHRがIFS-HRESよりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-01-28T13:23:25Z)
• GenCast: Diffusion-based ensemble forecasting for medium-range weather [10.845679586464026]
  我々は,世界最上位の中距離気象予測よりも高い技術と速度を持つ確率的気象モデルであるGenCastを紹介する。 GenCastは、12時間のステップと0.25度の緯度で、80以上の地表と大気の変数を8分で15日間のグローバルな予測のアンサンブルを生成する。 評価した1320の目標の97.4%よりも高いスキルを持ち、極端な天候、熱帯のサイクロン、風力発電を予測できる。
  論文  参考訳（メタデータ） (2023-12-25T19:30:06Z)
• 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)
• A Spatiotemporal Deep Neural Network for Fine-Grained Multi-Horizon Wind Prediction [3.2474405288441544]
  本稿では,高精度かつ高精度な風速予測のための新しいデータ駆動モデルを提案する。 MHSTNは、シークエンス・ツー・シークエンス(Seq2Seq)バックボーンで異なる因子をターゲットにした複数のディープニューラルネットワークを統合する。 MHSTNはすでに中国で最も忙しい国際空港のスケジューリングプラットフォームに統合されている。
  論文  参考訳（メタデータ） (2023-09-09T09:36:28Z)
• Long-term Wind Power Forecasting with Hierarchical Spatial-Temporal Transformer [112.12271800369741]
  風力発電は、再生可能、汚染のないその他の利点により、世界中の注目を集めている。 正確な風力発電予測(WPF)は、電力系統の運用における電力変動を効果的に低減することができる。 既存の手法は主に短期的な予測のために設計されており、効果的な時空間的特徴増強が欠如している。
  論文  参考訳（メタデータ） (2023-05-30T04:03:15Z)

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。