論文の概要: PARA-PV: Physics-Aware Retrieval-Augmented PV Prediction Based on Frozen Foundation Model and Distribution Shift Correction

• arxiv url: http://arxiv.org/abs/2607.08079v1
• Date: Thu, 09 Jul 2026 03:15:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.404428
• Title: PARA-PV: Physics-Aware Retrieval-Augmented PV Prediction Based on Frozen Foundation Model and Distribution Shift Correction
• Title（参考訳）: PARA-PV:凍結基礎モデルと分布シフト補正に基づく物理対応検索型PV予測
• Authors: Hang Fan, Weican Liu, Ying Lu, Dunnan Liu, Long Cheng, Wei Wei,
• Abstract要約: PARA-PVは、予測プロセス全体に物理知識を組み込む物理対応検索フレームワークである。 このフレームワークはまず、多変量PV観測をパッチレベルの表現にエンコードする。 時間的形状、電力レベル、PV動作状態、日内期間において、現在のウィンドウと整合した履歴パッチとアナログ軌跡を検索する。
• 参考スコア（独自算出の注目度）: 8.475613508818208
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate photovoltaic (PV) power forecasting is essential for reliable grid dispatch and renewable energy integration, yet it remains challenging because PV generation is jointly shaped by weather variability, day-night transitions, regime-dependent dynamics, and strict physical constraints. We propose PARA-PV, a Physics-Aware Retrieval-Augmented framework that embeds physical knowledge throughout the forecasting process. The framework first encodes multivariate PV observations into patch-level representations and, through a physics-aware retrieval-augmented learner, retrieves historical patches and analog trajectories that are consistent with the current window in temporal shape, power level, PV operating state, and intra-day period; this yields a physically grounded base forecast. To supplement local memory with broader temporal knowledge, the base forecast is then calibrated against a frozen Chronos time-series foundation-model prior through a lightweight residual adapter, so that general temporal regularities are adapted to PV-specific dynamics without overriding the physically grounded prediction. Because residual conditional distribution shifts persist when weather and diurnal regimes change, a physics-aware distribution shift correction module subsequently adjusts the preliminary forecast using power, weather, timestamp, and day/night conditions, applying gated mean-shift and scale corrections selectively. Finally, a physics-constrained loss function partitions the samples into peak, ramping, night-time, and regular regimes and adaptively reweights their error contributions, preventing the dominant regular regime from suppressing learning of operationally critical states. Our code is available at https://github.com/weican1103/PARA-PV.
• Abstract（参考訳）: 正確な太陽光発電(PV)電力予測は、信頼性の高いグリッドディスパッチと再生可能エネルギーの統合に不可欠であるが、PV発電は、気象変動、昼夜の遷移、状態依存力学、厳密な物理的制約によって共同で形成されるため、依然として困難である。 予測過程に物理知識を組み込んだ物理対応検索フレームワークであるPARA-PVを提案する。 このフレームワークは、まず、多変量PV観測をパッチレベルの表現にエンコードし、物理を意識した検索拡張学習を通じて、時間的形状、電力レベル、PV動作状態、日内期間の現在のウィンドウと整合した履歴パッチとアナログトラジェクトリを検索する。 局所記憶をより広い時間的知識で補うため、基本予測は、軽量残差アダプタにより予め凍結したクロノス時系列基礎モデルに対して校正されるため、物理的に基底となる予測をオーバーライドすることなく、一般的な時間的規則性はPV固有のダイナミクスに適合する。 残条件分布シフトは、天気や日周状態が変化したときに継続するため、物理対応分布シフト補正モジュールは、その後、パワー、天気、タイムスタンプ、昼夜条件を用いて予報を調整し、ゲート平均シフトとスケール補正を選択的に適用する。 最後に、物理学に制約された損失関数は、サンプルをピーク、上昇、夜間、および通常の状態に分割し、それらのエラー貢献を適応的に再重み付けし、支配的な正規状態が運用上重要な状態の学習を抑制するのを防ぐ。 私たちのコードはhttps://github.com/weican1103/PARA-PVで利用可能です。

関連論文リスト

• EO-WM: A Physically Informed World Model for Probabilistic Earth Observation Forecasting [50.31500063307306]
  マルチスペクトル地球観測予測のためのビデオ拡散変換器であるEO-WMを紹介する。 EO-WMは、気象基準線、気象異常、累積的な物理的ストレス信号を通して気象的な強制力を表す物理的に情報を得た条件付けフレームワークを組み込んでいる。 実験の結果、EO-WMは予測正規化植生指数(NDVI)の減少振幅を相対5.63%減少させ、方向のヒット率を相対7.80%向上させることがわかった。
  論文  参考訳（メタデータ） (2026-06-25T16:53:30Z)
• Inpainting-Style Conditional Diffusion for Multivariable Time Series Forecasting [15.992262494632321]
  本研究では,多時間時系列太陽予測パワーのための条件拡散に基づくフレームワークを提案する。 提案手法は,スライディングウインドウのパッチ構成を用いて,時間PVデータを構造化された2次元表現として再構成する。 GEFCom2014を含むベンチマークPVデータセットで実施された実験は、このアプローチが高い予測精度を達成することを実証している。
  論文  参考訳（メタデータ） (2026-05-27T11:25:28Z)
• Embracing Heteroscedasticity for Probabilistic Time Series Forecasting [22.43559255963294]
  Location-Scale Gaussian VAE (LSG-VAE) は、予測平均と時間依存分散の両方を明示的にパラメータ化する、単純だが効果的なフレームワークである。 LSG-VAEは、リアルタイムデプロイメントに適した高い計算効率を維持しながら、15の強力な生成ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-03-25T12:48:50Z)
• 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)
• STIPP: Space-time in situ postprocessing over the French Alps using proper scoring rules [1.887852744008007]
  Space-time In situ Postprocessing (STIPP) は、ステーション位置のネットワークに対して一貫した天気予報を生成する機械学習モデルである。 トレーニングに適切なスコアリングルールを活用することで、STIPPは分散限界のみを監督する作業駆動型大気モデルに寄与する。
  論文  参考訳（メタデータ） (2026-01-06T10:07:20Z)
• Powerformer: A Transformer with Weighted Causal Attention for Time-series Forecasting [50.298817606660826]
  我々は,非因果重みをスムーズな重み付き崩壊に応じて再加重する因果重みに置き換える新しいトランスフォーマーであるPowerformerを紹介する。 我々の実証実験の結果,Powerformer は公開時系列ベンチマークで最先端の精度を達成できた。 分析の結果、トレーニング中にモデルの局所性バイアスが増幅され、時系列データとパワールールに基づく注意の相互作用が示されることがわかった。
  論文  参考訳（メタデータ） (2025-02-10T04:42:11Z)
• 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)
• STC-ViT: Spatio Temporal Continuous Vision Transformer for Weather Forecasting [0.0]
  天気予報のための時空間連続トランスフォーマービジョンであるSTC-ViTを提案する。 STC-ViTは、連続した天気変化を時間とともに学習するために、マルチヘッドアテンション機構を備えた連続時間ニューラルODE層を組み込んでいる。 STC-ViTは,操作型数値天気予報(NWP)モデルと,深層学習に基づく天気予報モデルとを比較した。
  論文  参考訳（メタデータ） (2024-02-28T01:15:30Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。