論文の概要: Fourier Geometric Wind Power Forecasting with Numerical Weather Prediction
- arxiv url: http://arxiv.org/abs/2607.17095v1
- Date: Sun, 19 Jul 2026 06:28:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-21 18:48:37.35529
- Title: Fourier Geometric Wind Power Forecasting with Numerical Weather Prediction
- Title（参考訳）: 数値気象予測によるフーリエ幾何学風力予測
- Abstract要約: 本稿では,歴史的ポイントベースデータとグリッドベースの数値気象予測(NWP)を統合したフレームワークを提案する。
我々のモデルは一貫して最先端のベースラインを上回り、物理的にインフォームドされた設計の有効性を強調している。
- 参考スコア（独自算出の注目度）: 28.040439766949234
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate short-term wind power forecasting is essential for grid stability and operational planning, yet remains challenging due to the complex interactions between atmospheric conditions and turbine dynamics. However, existing methods fail to effectively incorporate weather forecasting with wind turbine data (i.e., SCADA), leading to suboptimal solutions. To address this, we introduce a multimodal framework that integrates historical point-based SCADA data with grid-based Numerical Weather Prediction (NWP) forecasts, which is challenging due to heterogeneous input and the complex physical wind-turbine interactions. Our approach first explicitly decomposes inputs into scalar and vector features to better capture both site-specific and geometric dependencies and then incorporates a geometric encoder to extract rotation-invariant features from wind vectors. We further leverages a Fourier Neural Operator (FNO) architecture, which performs global convolutions in the frequency domain to efficiently model long-range spatiotemporal relationships. Extensive experiments on three real-world wind farms, with weather forecasting data, demonstrate that our model consistently outperforms state-of-the-art baselines, highlighting the effectiveness of its physically-informed design. The core implementation of our method is publicly available at: https://github.com/shawn-sypiao/GWPF.
- Abstract（参考訳）: グリッドの安定性と運用計画には正確な短期風力予測が不可欠であるが、大気条件とタービン力学の複雑な相互作用のため、依然として困難である。
しかし、既存の手法では風力タービンデータ(SCADA)に天気予報を効果的に組み込むことができず、最適以下の解が導かれる。
そこで本稿では,歴史的ポイントベースSCADAデータとグリッドベースの数値気象予測(NWP)を統合したマルチモーダルフレームワークを提案する。
提案手法は,まず入力をスカラーおよびベクトル特徴に明示的に分解し,サイト固有および幾何学的依存関係をよりよく捉えるとともに,幾何エンコーダを組み込んで風ベクトルから回転不変特徴を抽出する。
さらに、周波数領域における大域的畳み込みを行い、長距離時空間関係を効率的にモデル化するフーリエニューラル演算子(FNO)アーキテクチャを利用する。
気象予報データを用いた3つの実世界の風力発電所における大規模な実験により、我々のモデルは一貫して最先端のベースラインを上回り、物理的にインフォームドされた設計の有効性を強調している。
私たちのメソッドのコア実装は、https://github.com/shawn-sypiao/GWPFで公開されています。
関連論文リスト
- Spatio-Temporal Gaussian Process for Building Terrain-Incorporating Wind Power Curves [4.244284303622027]
風力タービンの出力曲線の正確なモデリングは、最適風力操作に不可欠である。
既存のすべてのパワーモデルは、農場の地形の影響を見下ろしながら、風速などの時間変数にカーブする。
論文 参考訳（メタデータ） (2026-06-30T00:19:06Z) - Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。
本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。
本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。
結果は、最先端のベンチマークと比較して、競争力や優れたパフォーマンスを示している。
論文 参考訳（メタデータ） (2026-04-20T11:40:39Z) - Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。
FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
論文 参考訳（メタデータ） (2025-06-10T18:40:20Z) - Gridded Transformer Neural Processes for Large Unstructured Spatio-Temporal Data [47.14384085714576]
本稿では,非構造化観測を行うための格子状擬似トークンPと,効率的な注意機構を利用する格子状擬似トークンを含むプロセッサを紹介する。
提案手法は,大規模データを含む様々な合成および実世界の回帰タスクにおいて,強いベースラインを一貫して上回る。
実生活実験は気象データに基づいて行われ、気象モデルパイプラインで大規模に適用した場合の性能と計算上の利点をもたらすアプローチの可能性を示す。
論文 参考訳（メタデータ） (2024-10-09T10:00:56Z) - WeatherFormer: Empowering Global Numerical Weather Forecasting with Space-Time Transformer [18.1906457042669]
数値気象予報システム (NWP) は近代社会に多大な影響を与えるインフラである。
従来のNWPは、複雑な偏微分方程式を巨大な計算クラスターで解き、大量の二酸化炭素を放出する。
この研究は、複雑な時間的大気力学をモデル化するための新しいトランスフォーマーベースのNWPフレームワークであるWeatherFormerを提案する。
論文 参考訳（メタデータ） (2024-09-21T07:02:31Z) - Towards an end-to-end artificial intelligence driven global weather forecasting system [57.5191940978886]
我々は,地球規模の気象変動に対するAIに基づくデータ同化モデル,すなわちAdasを提案する。
我々は,アダスが地球観測を同化して高品質な分析を行い,長期にわたって安定して運用できることを実証した。
この手法を現実のシナリオに適用するのは,私たちが初めてです。
論文 参考訳（メタデータ） (2023-12-18T09:05:28Z) - 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) - Spherical Fourier Neural Operators: Learning Stable Dynamics on the
Sphere [53.63505583883769]
球面幾何学の演算子を学習するための球面FNO(SFNO)を紹介する。
SFNOは、気候力学の機械学習に基づくシミュレーションに重要な意味を持つ。
論文 参考訳（メタデータ） (2023-06-06T16:27:17Z) - 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) - Enhancing Short-Term Wind Speed Forecasting using Graph Attention and
Frequency-Enhanced Mechanisms [17.901334082943077]
GFST-WSFは、時間的特徴抽出のためのトランスフォーマーアーキテクチャと空間的特徴抽出のためのグラフ注意ネットワーク(GAT)を備える。
GATは風速局間の複雑な空間的依存関係を捉えるように設計されている。
地理的要因による隣接する風力発電所間の風速相関のモデル時間ラグ
論文 参考訳（メタデータ） (2023-05-19T08:50:58Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳（メタデータ） (2023-01-24T23:19:01Z) - Towards Long-Term Time-Series Forecasting: Feature, Pattern, and
Distribution [57.71199089609161]
長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。
トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。
LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
論文 参考訳（メタデータ） (2023-01-05T13:59:29Z)
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。