論文の概要: An AI-Based Decision-Support Pipeline for Day-Ahead Photovoltaic Forecasting

• arxiv url: http://arxiv.org/abs/2608.02088v1
• Date: Mon, 03 Aug 2026 11:48:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.514175
• Title: An AI-Based Decision-Support Pipeline for Day-Ahead Photovoltaic Forecasting
• Title（参考訳）: 日頭太陽光発電予測のためのAIによる意思決定支援パイプライン
• Abstract要約: 日中PV予測のための配置指向型環境AIパイプラインを開発した。 パイプラインはタイムスタンプの規則を修正し、漏れやすい太陽測地とクリアネス・インデクシング機能を構築し、短期的な大気環境を追加する。 日光正規化RMSEを、ランダムな日光遮断評価で約32%、より厳密なローリングオリジンプロトコルで9%削減する。
• 参考スコア（独自算出の注目度）: 3.5367752722811794
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable photovoltaic (PV) forecasts are needed for low-carbon energy systems, but newly deployed sites often have short, imperfect records. This makes standard day-ahead forecasting difficult: persistence and physical baselines can be sensitive to calibration and timestamp alignment, while single machine-learning models may capture only one structure in the data and overstate skill under non-temporal validation. We study this problem at a United Kingdom charging-station site, where PV forecast errors affect charging availability, storage scheduling, and downstream control. Using measured inverter output and publicly available meteorological inputs, we develop a deployment-oriented environmental-AI pipeline for day-ahead hourly PV forecasting. The pipeline corrects timestamp conventions, constructs leakage-safe solar-geometry and clearness-index features, adds short-term atmospheric context, and combines complementary predictors through validation-learned stacking. Against smart persistence, a clear-sky baseline that adjusts recent PV output using expected clear-sky irradiance, the best ensemble reduces daylight normalised RMSE by about 32% under random day-blocked evaluation and 9% under the stricter rolling-origin protocol. It also reduces daylight RMSE relative to the strongest individual machine-learning baseline by 6.6% and 6.4%, respectively. The results show that physics-aware stacking can support PV forecasts from limited site data, but its value depends on model class, evaluation protocol, and deployment context.
• Abstract（参考訳）: 低炭素エネルギーシステムには信頼性の高い太陽光発電(PV)予測が必要であるが、新しく設置された場所はしばしば短い不完全な記録を持つ。 永続性と物理的ベースラインはキャリブレーションとタイムスタンプアライメントに敏感であり、一方1つの機械学習モデルは、非時間的検証の下でデータとオーバーステートスキルの1つの構造のみをキャプチャする。 我々は、PV予測エラーが充電の可利用性、ストレージのスケジューリング、下流制御に影響を及ぼす英国の充電ステーションサイトでこの問題を研究する。 実測インバータ出力と気象情報を用いて,日中PV予測のための展開指向型環境AIパイプラインを構築した。 パイプラインはタイムスタンプの規則を修正し、漏れやすい太陽測位とクリアネス・インデクス機能を構築し、短期的な大気環境を追加し、検証学習の積み重ねを通じて補完的な予測器を組み合わせる。 スマート・パーシステンス(スマート・パーシステンス)に対して、期待されるクリアスキー照射を用いて最新のPV出力を調整するクリアスキーベースラインでは、最高のアンサンブルは、ランダムな日光遮断評価の下で、日光正規化RMSEを約32%削減し、より厳密なローリングオリジンプロトコルの下で9%削減する。 また、最強の機械学習ベースラインに対する日光RMSEをそれぞれ6.6%と6.4%削減する。 その結果,物理対応スタックリングは限られたサイトデータからPV予測をサポートするが,その値はモデルクラス,評価プロトコル,デプロイメントコンテキストに依存することがわかった。

関連論文リスト

• PARA-PV: Physics-Aware Retrieval-Augmented PV Prediction Based on Frozen Foundation Model and Distribution Shift Correction [8.475613508818208]
  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。
  論文  参考訳（メタデータ） (2026-07-09T03:15:42Z)
• 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)
• Time series Foundation Models based on Physics-Informed Synthetic Histories for Cold-Start Photovoltaic Forecasting [45.753923525593045]
  評価は4つのデータセットと多様な気候体制にまたがる440ドルのPVサイトに及んでいる。 性能は、合成履歴源にはほとんど敏感であり、精度は特定の発生器よりも、可視的時間的文脈の可用性によってより引き起こされることを示している。
  論文  参考訳（メタデータ） (2026-06-05T17:05:19Z)
• Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
  我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。 ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
  論文  参考訳（メタデータ） (2026-05-07T20:25:28Z)
• Intraday spatiotemporal PV power prediction at national scale using satellite-based solar forecast models [0.0]
  本稿では,太陽光発電(PV)電力予測のための新しいフレームワークを提案する。 衛星由来の表面太陽放射(SSI)に対して予測が最初に検証される さらに、メソスケールのクラウドシステムが、数時間以下の時間帯に、全国的なPV生産をどのように形成するかを、初めて視覚化する。
  論文  参考訳（メタデータ） (2026-01-08T09:15:14Z)
• Ultra-short-term solar power forecasting by deep learning and data reconstruction [60.200987006598524]
  深層学習に基づく超短周期太陽エネルギー予測とデータ再構成を提案する。 我々は、ターゲット予測期間に対する長期的および短期的依存関係をキャプチャするために、ディープラーニングモデルを用いる。
  論文  参考訳（メタデータ） (2025-09-21T14:22:35Z)
• Solar Forecasting with Causality: A Graph-Transformer Approach to Spatiotemporal Dependencies [5.291394959125948]
  SolarCAST は将来のグローバル水平放射率(GHI)を予測する因果的に情報を得たモデルであり、X サイトと近辺の局 S の歴史的な GHI のみを用いて目標地点で予測する。 様々な地理的条件で時系列やマルチモーダルのベースラインを上回ります。 最上位の予測装置であるSolcastよりも25.9%のエラー削減を実現している。
  論文  参考訳（メタデータ） (2025-09-18T22:57:07Z)
• 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)
• Short-term Prediction and Filtering of Solar Power Using State-Space Gaussian Processes [11.16908638844702]
  英国における太陽光発電エネルギー生産のモデル化と予測のためのガウス過程(GP)を考察する。 PVの時系列データに対するGP回帰の標準的な適用は、PVの読み出しの大きなデータサイズと非ガウス性のために実現不可能である。 これは、最近のスケーラブルなGP推論の進歩、特に現代の変分推論技術と組み合わせたGPの状態空間形式を利用することによって実現される。
  論文  参考訳（メタデータ） (2023-02-01T11:48:10Z)
• Data-driven soiling detection in PV modules [58.6906336996604]
  太陽光発電モジュールの土質比を推定する問題について検討した。 私たちのアルゴリズムの重要な利点は、ラベル付きデータでトレーニングする必要がない、土壌を推定することです。 実験により, 土質比を推定するための工法として, 現状を著しく上回っていることが明らかとなった。
  論文  参考訳（メタデータ） (2023-01-30T14:35:47Z)
• Principal Component Density Estimation for Scenario Generation Using Normalizing Flows [62.997667081978825]
  低次元空間における正規化フローを設定する線形主成分分析(PCA)に基づく次元還元フロー層を提案する。 当社は、2013年から2015年までのドイツにおけるPVおよび風力発電のデータと負荷需要に関する主成分フロー(PCF)を訓練しています。
  論文  参考訳（メタデータ） (2021-04-21T08:42:54Z)
• Short-term prediction of photovoltaic power generation using Gaussian process regression [3.8386504037654534]
  本稿は,英国におけるPVシステムによるエネルギーの予測に焦点をあてる。 モデルは3つの主要な要因に対して48時間の短期予測で評価される。 また、予測期間内でのクラウドカバレッジと、予測者としての最初のクラウドカバレッジについて、非常に短期的な予測を比較します。
  論文  参考訳（メタデータ） (2020-10-05T18:35:25Z)

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。