論文の概要: FarSky: Task-Aware Latent-Space Coupling for Generative Intra-Hour Solar Forecasting

• arxiv url: http://arxiv.org/abs/2608.11254v1
• Date: Thu, 06 Aug 2026 08:32:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.308504
• Title: FarSky: Task-Aware Latent-Space Coupling for Generative Intra-Hour Solar Forecasting
• Title（参考訳）: FarSky: 時間内予測生成のためのタスク対応遅延空間結合
• Abstract要約: FarSkyは、スカイイメージのタスク認識表現を学習する生成予測フレームワークである。 予測能力は最大11ポイント向上し、決定的かつ確率的な予測性能を最高に達成している。 既存の手法によるランプイベントの検出を大幅に改善し、F1スコアを60%以上達成した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate solar irradiance forecasting is essential for the reliable integration of photovoltaic power into modern electricity grids. All-sky imagers (ASI) provide high-resolution observations of clouds, making them well suited for intra-hour forecasting. Recent deep learning approaches have substantially improved forecast accuracy but are often limited by deterministic predictions and a reduced capability to anticipate ramp events. This work proposes FarSky, a generative forecasting framework that leverages latent-space coupling to learn task-aware representations of sky images. A multi-task autoencoder first learns a shared latent representation for image reconstruction and irradiance estimation. A latent diffusion model then generates future latent states conditioned on recent observations, from which irradiance forecasts are directly decoded. Probabilistic forecasts are inherently obtained through stochastic sampling. The framework is developed using a multi-year ASI dataset acquired at the Plataforma Solar de Almería, Spain, and evaluated on two independent test datasets against persistence, state-of-the-art end-to-end, and generative forecasting approaches. FarSky achieves the best overall deterministic and probabilistic forecasting performance, improving forecast skill by up to 11 percentage points. Furthermore, it substantially improves ramp event detection over existing methods, achieving F1-scores above 60%. These results demonstrate the potential of combining generative models with task-aware latent-space coupling for solar forecasting.
• Abstract（参考訳）: 太陽光の正確な照度予測は、現代の電力網への太陽光発電の信頼性向上に不可欠である。 All-sky imagers (ASI) は雲の高解像度観測を行い、時間内予測に適している。 近年のディープラーニングアプローチは予測精度を大幅に向上させたが、決定論的予測とランプイベントの予測能力の低下によって制限されることが多い。 本研究では,空像のタスク認識表現の学習に潜時空間結合を利用する生成予測フレームワークであるFarSkyを提案する。 マルチタスクオートエンコーダは、まず、画像再構成と照度推定のための共有潜時表現を学習する。 潜時拡散モデルにより、最近の観測で条件付けられた将来の潜時状態が生成され、そこから照射予測が直接復号化される。 確率的予測は確率的サンプリングによって本質的に得られる。 このフレームワークは、スペインのプラタフォルマ・ソーラー・デ・アルメリアで取得した多年のAIIデータセットを使用して開発され、永続性、最先端のエンドツーエンド、生成予測アプローチに対する2つの独立したテストデータセットで評価されている。 FarSkyは、決定的かつ確率的な予測性能を最高に達成し、予測スキルを最大11ポイント向上させる。 さらに、既存の手法よりもランプイベントの検出を大幅に改善し、F1スコアを60%以上達成した。 これらの結果は、太陽予測のための生成モデルとタスク対応潜在空間結合を組み合わせる可能性を示している。

関連論文リスト

• Bidirectional Multimodal Fusion of Sky Images and Time-Series for Solar Forecasting with Large Language Models [5.367829077016888]
  短期太陽光発電(PV)パワーとグローバル水平照射(GHI)予測は、効率的なディスパッチ、予備的スケジューリング、グリッド運用に不可欠である。 LLMに基づくマルチモーダル予測フレームワークであるSolCloudLLMを提案する。
  論文  参考訳（メタデータ） (2026-09-10T06:26:02Z)
• Learning Long-Term Temporal Dependencies in Photovoltaic Power Output Prediction Through Multi-Horizon Forecasting [9.023507281431252]
  本稿では,従来の単一水平推定からマルチ水平予測フレームワークへの移行を提案する。 我々は、将来の一連の値に対する共同最適化により、深層ニューラルネットワークが潜時的な時間的依存をよりよく捉えることができることを実験的に実証した。 我々は、複数の離散的な将来の時間ステップにまたがる出力を同時に予測するモデルの能力を評価する。
  論文  参考訳（メタデータ） (2026-05-18T19:56:34Z)
• Probabilistic NDVI Forecasting from Sparse Satellite Time Series and Weather Covariates [1.1503354666872168]
  植生動態の正確な短期予測は、精密農業におけるデータ駆動型意思決定支援の鍵となる。 衛星観測によるNDVIの予測は、雲の被覆によって引き起こされるスパースと不規則なサンプリングのため、依然として困難である。 本研究では,フィールドレベルのNDVI予測のための確率的予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-04T17:48:52Z)
• A Composite-Loss Graph Neural Network for the Multivariate Post-Processing of Ensemble Weather Forecasts [0.0]
  デュアルGNNは、実証的なコプラベースの後処理予測を一貫して上回っている。 双対GNN予測のランク順構造は、貴重な依存情報をキャプチャする。
  論文  参考訳（メタデータ） (2025-09-02T19:37:44Z)
• Weather Prediction with Diffusion Guided by Realistic Forecast Processes [49.07556359513563]
  気象予報に拡散モデル(DM)を適用した新しい手法を提案する。 提案手法は,同一のモデリングフレームワークを用いて,直接予測と反復予測の両方を実現できる。 我々のモデルの柔軟性と制御性は、一般の気象コミュニティにとってより信頼性の高いDLシステムに力を与えます。
  論文  参考訳（メタデータ） (2024-02-06T21:28:42Z)
• 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)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• SEEDS: Emulation of Weather Forecast Ensembles with Diffusion Models [13.331224394143117]
  不確かさの定量化は意思決定に不可欠である。 天気予報の不確実性を表す主要なアプローチは、予測の集合を生成することです。 本稿では,これらの予測を歴史的データから学習した深部生成拡散モデルを用いてエミュレートし,計算コストを補正することを提案する。
  論文  参考訳（メタデータ） (2023-06-24T22:00:06Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• 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)
• A generative adversarial network approach to (ensemble) weather prediction [91.3755431537592]
  本研究では,500hPaの圧力レベル,2m温度,24時間の総降水量を予測するために,条件付き深部畳み込み生成対向ネットワークを用いた。 提案されたモデルは、2019年に関連する気象分野を予測することを目的として、2015年から2018年までの4年間のERA5の再分析データに基づいて訓練されている。
  論文  参考訳（メタデータ） (2020-06-13T20:53:17Z)
• Convolutional Neural Networks applied to sky images for short-term solar irradiance forecasting [0.0]
  本研究は, 深部畳み込みニューラルネットワークの2～20分間の照度予測への適用に関する予備的な結果を示す。 パリザウ(フランス)で8ヶ月にわたって収集された光度測定とそれに対応する天空画像を用いて,時間分解能を2分間で評価した。
  論文  参考訳（メタデータ） (2020-05-22T15:57:39Z)

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。