論文の概要: Horizon-specific Expert Fusion for Photovoltaic Power Forecasting

• arxiv url: http://arxiv.org/abs/2609.15035v1
• Date: Mon, 14 Sep 2026 04:52:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:06.077286
• Title: Horizon-specific Expert Fusion for Photovoltaic Power Forecasting
• Title（参考訳）: 火力発電予測のための水平比専門核融合
• Abstract要約: 短期的な太陽光発電の電力予測は、定期的な太陽周期と気象変動を表すモデルを必要とする。 本研究では、時間的ニューラルモデル、歴史的類似物、状態気候学、勾配木を組み合わせた階層的なアンサンブルを開発する。
• 参考スコア（独自算出の注目度）: 1.6028290648973895
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Short-term photovoltaic power forecasting requires models to represent regular solar cycles and weather-driven fluctuations whose importance changes with the forecast horizon. This study develops a hierarchical ensemble that combines temporal neural models, historical analogs, state climatology, and gradient-boosted trees. Solar geometry and numerical weather forecasts describe the expected generation conditions, while horizon-specific convex weights combine complementary predictions. A separate calibration step uses available historical forecast errors to account for recent bias. The framework is evaluated on public PVDAQ data at 15--240-minute horizons and on three GEFCom2014 solar zones at hourly horizons up to four hours. On PVDAQ, the ensemble achieves a daylight capacity-normalized mean absolute error of 4.315%, reducing error by 4.11% relative to full-feature LightGBM and by 6.03% relative to fine-tuned Chronos-2 under identical calibration. Expert-removal experiments identify redundancy within the ensemble. Across three training seeds on GEFCom2014, learned fusion improves upon equal weighting but performs comparably to LightGBM. The results support horizon-specific combination as a useful forecasting strategy while showing that its advantage over strong individual models depends on the dataset and evaluation period.
• Abstract（参考訳）: 短期的な太陽光発電の電力予測は、予測地平線とともに重要な変化をもたらす定期的な太陽周期と気象駆動の変動を表すモデルを必要とする。 本研究では、時間的ニューラルモデル、歴史的類似物、状態気候学、勾配木を組み合わせた階層的なアンサンブルを開発する。 太陽の幾何学と数値的な天気予報は予測される発生条件を記述し、地平線固有の凸重は相補的な予測を合成する。 別段のキャリブレーションステップでは、最新のバイアスを考慮するために利用可能な履歴予測エラーを使用する。 このフレームワークは15-240分の地平線でのPVDAQデータと、時空の地平線での3つのGEFCom2014太陽帯で評価される。 PVDAQでは、日光容量正規化平均絶対誤差の4.315%を達成し、フル機能のLightGBMに対してエラーを4.11%、同じキャリブレーションの下で微調整されたChronos-2に対して6.03%削減する。 専門家による除去実験は、アンサンブル内の冗長性を識別する。 GEFCom2014の3つのトレーニング種のうち、学習された融合は等重み付けにより改善されるが、LightGBMと同等に機能する。 その結果,強い個人モデルに対する優位性は,データセットと評価期間に依存していることを示しながら,地平線固有の組み合わせを有用な予測戦略として支持した。

関連論文リスト

• An AI-Based Decision-Support Pipeline for Day-Ahead Photovoltaic Forecasting [3.5367752722811794]
  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。
  論文  参考訳（メタデータ） (2026-08-03T11:48:32Z)
• TSSM: Triaxial State Space Model for Global Station Weather Forecasting with Temporal-Variable-Historical Modeling [74.915718648935]
  既存の手法では精度が限られており、極端なイベントやエラーの蓄積に苦労している。 本稿では,歴史に富んだ時間可変ヒストリカルパラダイムを用いた三軸状態空間モデル(TSSM)を提案する。 TSSMは、歴史的サンプルを周期的なバッチにまとめ、予測は歴史的および現在の観測によって因果的に支持される。
  論文  参考訳（メタデータ） (2026-07-14T07:36:19Z)
• 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)
• Two-Stage Photovoltaic Forecasting: Separating Weather Prediction from Plant-Characteristics [0.0]
  本研究では,環境パラメータの天気予報モデルと植物特性モデルに分解した。 植物特性モデルのための歴史的出力データに基づいてニューラルネットワークのアンサンブルを訓練する。 その結果、衛星ベースの地中気象観測の代わりに天気予報を用いる場合、選択した2つの太陽光発電システムでは絶対誤差が11%増加し、68%上昇することがわかった。
  論文  参考訳（メタデータ） (2026-03-04T14:45:58Z)
• 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)
• FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale [91.84761739154366]
  FourCastNet 3は、確率的アンサンブル予測にスケーラブルで幾何学的な機械学習(ML)アプローチを実装することで、グローバルな気象モデリングを推進している。 FourCastNet 3は、従来のアンサンブルモデルを上回る予測精度を提供し、最良の拡散ベースのメソッドに匹敵する。 その計算効率、中距離確率的スキル、スペクトルの忠実度、およびサブシーズンタイムスケールでのロールアウト安定性は、大規模なアンサンブル予測を通じて気象予知と早期警報システムを改善するための強力な候補となる。
  論文  参考訳（メタデータ） (2025-07-16T11:22:18Z)
• Machine learning-based probabilistic forecasting of solar irradiance in Chile [0.7067443325368975]
  本研究はチリの第三地域及び第四地域における太陽放射の確率論的予測について検討する。 ニューラルネットワークを用いた後処理手法を提案し、8員のアンサンブル予測を改善した。 全ての予測は30か所の観測結果に対して評価され、後処理の予測技術は生のWRFアンサンブルと比較される。
  論文  参考訳（メタデータ） (2024-11-17T13:22:05Z)
• 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)
• Pangu-Weather: A 3D High-Resolution Model for Fast and Accurate Global Weather Forecast [91.9372563527801]
  我々は,世界天気予報を迅速かつ高精度に予測するためのディープラーニングベースのシステムであるPangu-Weatherを紹介する。 初めてAIベースの手法が、最先端の数値天気予報法(NWP)を精度で上回った。 Pangu-Weatherは、極端な天気予報や大規模なアンサンブル予測など、幅広い下流予測シナリオをサポートしている。
  論文  参考訳（メタデータ） (2022-11-03T17:19:43Z)
• Multi-Resolution, Multi-Horizon Distributed Solar PV Power Forecasting with Forecast Combinations [2.126171264016785]
  我々は,5つの最先端予測モデルと,複数の解像度と地平線における既存予測組み合わせの性能に関する知見を提供する。 本稿では,粒子群最適化(PSO)に基づく予測組み合わせ手法を提案する。
  論文  参考訳（メタデータ） (2022-06-22T01:27:04Z)
• 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)

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。