論文の概要: Robustness of Deep Learning Models for PV Power Forecasting under NWP Forecast Errors: A Spatiotemporal and Physically Interpretable Analysis

• arxiv url: http://arxiv.org/abs/2607.12954v1
• Date: Tue, 14 Jul 2026 16:48:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.224638
• Title: Robustness of Deep Learning Models for PV Power Forecasting under NWP Forecast Errors: A Spatiotemporal and Physically Interpretable Analysis
• Title（参考訳）: NWP予測誤差下におけるPV電力予測のためのディープラーニングモデルのロバスト性:時空間的および物理的解釈可能な解析
• Abstract要約: 本研究では,シミュレーションに基づく物理的拘束力評価フレームワークを提案する。 仮想PVパワーを制御応答変数として使用し、プラントレベルの共同設立者からの入力不確実性の伝播を分離する。 その結果,中～高次乱れ条件下での強いベースラインよりも,シーケンスモデルの方が強いノイズフィルタリングと時間的レジリエンスを提供することがわかった。
• 参考スコア（独自算出の注目度）: 3.9240875898929737
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Engineering use of AI forecasting models requires not only high nominal accuracy but also predictable behavior under uncertain inputs. In photovoltaic (PV) forecasting, this requirement is especially challenging because numerical weather prediction (NWP) errors are temporally correlated, state dependent, and physically coupled across variables. Existing evaluations, however, often rely on perfect forecast assumptions or simplistic perturbations that do not reflect these characteristics. This study presents a physically constrained robustness evaluation framework based on simulation, using virtual PV power as a controlled response variable to isolate the propagation of input uncertainty from confounders at the plant level. Six representative machine learning and deep sequence models, including PatchTST, GRU, N-HITS, and LightGBM, are evaluated under dynamic NWP perturbations with heteroscedasticity modulated by clear-sky conditions and Erbs reconstruction that preserves radiation consistency. The results show that sequence models provide stronger noise filtering and temporal resilience than a strong tabular baseline under medium to high disturbance regimes. SHapley Additive exPlanations (SHAP) and Integrated Gradients (IG) further support a feature reallocation tendency at the case level, in which predictive reliance shifts from corrupted future forecasts toward more stable historical observations and deterministic physical priors. A Pareto analysis of accuracy under clean conditions, robustness, and computational latency then translates these findings into engineering implications for robustness assessment and model selection under forecast uncertainty.
• Abstract（参考訳）: AI予測モデルのエンジニアリング利用には、高い精度だけでなく、不確実な入力下での予測可能な振る舞いも必要である。 太陽光発電(PV)予測では、数値気象予測(NWP)誤差が時間的相関、状態依存、変数間で物理的に結合しているため、この要件は特に困難である。 しかし、既存の評価は、しばしばこれらの特性を反映しない完全な予測仮定や単純な摂動に依存している。 本研究では, 仮想PVパワーを制御応答変数として利用し, プラントレベルの共同創設者からの入力不確実性の伝播を分離する, シミュレーションに基づく物理的拘束力評価フレームワークを提案する。 PatchTST、GRU、N-HITS、LightGBMを含む6つの代表的な機械学習および深部配列モデルについて、クリアスキー条件によって変調された非定常性を持つ動的NWP摂動と放射整合性を保つエルブス再構成を用いて評価した。 その結果,中～高次乱れ条件下での強い表層ベースラインよりも,シーケンスモデルの方が強いノイズフィルタリングと時間的レジリエンスを提供することがわかった。 SHAP(SHapley Additive exPlanations)とIG(Integrated Gradients)は、将来の予測からより安定した歴史的観測や決定論的物理的前提への予測依存がシフトするケースレベルでの特徴的再配置傾向を支持する。 クリーンな条件下での精度、ロバスト性、計算遅延のパレート解析により、これらの結果は予測不確実性の下でのロバスト性評価とモデル選択の工学的意味に変換される。

関連論文リスト

• Covariance-Boosted Gaussian Processes for Spatiotemporal Irregularities [0.0]
  本稿では,衛星ベースの拡張システムのための電離層モデリングにより,共分散ブーストガウス過程(CBGP)フレームワークを提案する。 CBGPモデルの有効性とロバスト性は、シミュレーションと実世界の両方のアプリケーションのサンプル外テストによって実証される。 南アメリカ上空の広範囲な電離圏嵐データセットのモデリングは、SBASの電離圏補正を計算する正確で信頼性の高い手段を示唆している。
  論文  参考訳（メタデータ） (2026-07-25T03:24:04Z)
• PDE-regularized Dynamics-informed Diffusion with Uncertainty-aware Filtering for Long-Horizon Dynamics [2.1129307468437513]
  我々はPDEに基づく正規化と不確実性を考慮した予測を統合した動的インフォームド拡散フレームワークを提案する。 PDYffusion は CRPS と MSE の点で優れた性能を示し,SSR による安定な不確実性挙動を維持した。
  論文  参考訳（メタデータ） (2026-04-10T07:37:38Z)
• 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)
• From Observations to States: Latent Time Series Forecasting [65.98504021691666]
  本稿では,TSFを観測回帰から潜時予測に移行する新しいパラダイムであるLatent Time Series Forecasting(LatentTSF)を提案する。 具体的には、LatentTSFはAutoEncoderを使用して、各段階での観測結果を高次元の潜在状態空間に投影する。 提案する潜伏目標は,予測潜伏状態と地道状態と観測値との相互情報を暗黙的に最大化する。
  論文  参考訳（メタデータ） (2026-01-30T20:39:44Z)
• Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
  本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。 WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。 我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
  論文  参考訳（メタデータ） (2025-12-09T17:20:56Z)
• Bridging the Gap Between Bayesian Deep Learning and Ensemble Weather Forecasts [100.26854618129039]
  天気予報は、大気のカオス的な性質によって根本的に挑戦されている。 ベイジアンディープラーニング(BDL)の最近の進歩は、有望だがしばしば非接続な代替手段を提供する。 気象予報のための統合型BDLフレームワークにより,これらのパラダイムを橋渡しする。
  論文  参考訳（メタデータ） (2025-11-18T07:49:52Z)
• Physically consistent and uncertainty-aware learning of spatiotemporal dynamics [44.27000400517127]
  物理制約を強制する物理一貫性ニューラル演算子(PCNO)を導入する。 PCNO内の物理一貫性プロジェクション層は、フーリエ空間における質量運動量保存を効率的に計算する。 また,拡散一貫性モデルを用いて不確実性を定量化し定量化するDiffPCNOを提案する。
  論文  参考訳（メタデータ） (2025-10-23T22:17:21Z)
• Km-scale dynamical downscaling through conformalized latent diffusion models [45.94979929172337]
  高分解能気象場を粗大なシミュレーションから導き出すためには, 動的ダウンスケーリングが不可欠である。 Generative Diffusion Model(DM)は、最近、このタスクのための強力なデータ駆動ツールとして登場した。 しかし、DMは過信予測に対する有限サンプル保証を欠いているため、グリッドポイントレベルの不確実性推定が誤って行われる。 我々は、コンフォーマルな予測フレームワークでダウンスケーリングパイプラインを拡張することで、この問題に対処する。
  論文  参考訳（メタデータ） (2025-10-15T08:41:36Z)
• Locally Adaptive Conformal Inference for Operator Models [5.78532405664684]
  演算子モデルに対して関数値の局所適応予測セットを生成するための分散フリーフレームワークであるLocal Sliced Conformal Inference (LSCI)を紹介する。 我々は有限サンプルの有効性を証明し、局所交換性の下でのカバレッジギャップにデータ依存の上限を導出する。 偏りのある予測や分布外雑音に対する空間を実証的に実証する。
  論文  参考訳（メタデータ） (2025-07-28T16:37:56Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• 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。