論文の概要: WPBench: A Comprehensive Benchmark for Wind Power Forecasting
- arxiv url: http://arxiv.org/abs/2609.24444v1
- Date: Mon, 21 Sep 2026 11:41:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:01.270793
- Title: WPBench: A Comprehensive Benchmark for Wind Power Forecasting
- Title（参考訳）: WPBench: 風力予測のための総合ベンチマーク
- Abstract要約: WPBenchは風力予測のための総合的で公平でベンチマークである。
タービンスケールと可変構成で構成された26のパブリックデータセットを統合している。
従来の手法、時間モデル、深層モデル、基礎モデルを含む19の代表的なモデルをベンチマークする。
- 参考スコア（独自算出の注目度）: 32.066184150278964
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Accurate, reliable, and deployable wind power forecasting is critical for power system dispatch, renewable energy integration, and electricity market operations. Progress in this field hinges on the ability to empirically and comprehensively benchmark forecasting methods. Yet existing benchmarks fall short of supporting systematic evaluation in four key aspects: 1) limited coverage of wind power scenarios across turbine scale, variable composition, and spatial structure; 2) incomplete coverage of forecasting model families; 3) evaluation metrics misaligned with wind power requirements; and 4) limited structure-aware diagnostics beyond individual temporal patterns. To address these limitations, we propose WPBench, a comprehensive, fair, and extensible benchmark for wind power forecasting. WPBench integrates 26 public datasets organized by turbine scale and variable composition, spanning single-turbine, multi-turbine, univariate, and multivariate settings. Under unified processing, training, and evaluation protocols, it benchmarks 19 representative models covering traditional methods, deep temporal models, spatio-temporal models, and foundation models. Beyond point-wise errors, WPBench assesses forecast-curve fidelity and computational efficiency, and delivers structure-aware diagnostics across temporal, variable-dependency, and spatial-dependency perspectives. Together, these capabilities enable systematic model comparison across diverse wind scenarios and provide a reusable platform for future research.
- Abstract（参考訳）: 正確な、信頼性があり、展開可能な風力発電予測は、電力系統の派遣、再生可能エネルギーの統合、電力市場運営に不可欠である。
この分野の進歩は、経験的かつ総合的に予測手法をベンチマークする能力に基づいている。
しかし、既存のベンチマークでは、体系的な評価を4つの重要な側面でサポートできない。
1) タービンスケール, 可変組成及び空間構造における風力シナリオの限られた範囲
2 予測モデル家族の不完全カバレッジ
3 風力要件に適合しない評価指標及び
4) 時間的パターン以外の構造認識診断は限定的であった。
これらの制約に対処するため、風力予測のための包括的で公平で拡張可能なベンチマークであるWPBenchを提案する。
WPBenchは、タービンスケールと可変構成によって構成された26のパブリックデータセットを統合し、シングルタービン、マルチタービン、ユニバリアイト、マルチ変数設定にまたがる。
統一された処理、トレーニング、評価プロトコルの下では、従来の手法、深部時間モデル、時空間モデル、基礎モデルを含む19の代表的なモデルをベンチマークする。
ポイントワイズエラー以外にも、WPBenchは予測曲線の忠実度と計算効率を評価し、時間的、変数依存性、空間依存性の観点から構造認識診断を提供する。
これらの能力が組み合わさって、様々な風シナリオの体系的なモデル比較を可能にし、将来の研究のための再利用可能なプラットフォームを提供する。
関連論文リスト
- Fourier Geometric Wind Power Forecasting with Numerical Weather Prediction [28.040439766949234]
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。
論文 参考訳（メタデータ） (2026-07-19T06:28:21Z) - A Systematic Evaluation of Current Architectures in Wind Power Forecasting [0.0]
風速予測は、風力発電の電力システムへの効率的な統合に不可欠である。
本研究では,ディープラーニング,モーダル分解,統計的手法の組み合わせについて検討する。
論文 参考訳（メタデータ） (2026-06-01T20:15:20Z) - LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。
LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
論文 参考訳（メタデータ） (2026-05-11T09:54:02Z) - Target Concept Tuning Improves Extreme Weather Forecasting [51.43578341469291]
気象予報のための深層学習モデルは、台風のような珍しいが高影響の出来事でしばしば失敗する。
既存の微調整手法は、これらの極端な出来事を見落とし、全体的なパフォーマンスを犠牲にしてそれらを過度に適合させるというトレードオフに直面します。
モデルの改良によって上記の問題を解決するための,解釈可能な概念付き微調整フレームワークであるTaCTを提案する。
論文 参考訳（メタデータ） (2026-03-17T15:34:05Z) - It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks [87.7937890373758]
時系列基礎モデル(TSFM)は,特定のデータセットモデルから一般化可能なタスク評価に至るまで,予測環境に革命をもたらしている。
我々は、50の新しいデータセットと98の予測タスクからなる次世代タスク中心のベンチマークであるTIMEを紹介する。
静的なメタラベルに基づく従来のデータセットレベルの評価を超える新しいパターンレベルの評価視点を提案する。
論文 参考訳（メタデータ） (2026-02-12T16:31:01Z) - Integrating Physics and Data-Driven Approaches: An Explainable and Uncertainty-Aware Hybrid Model for Wind Turbine Power Prediction [1.1270209626877075]
風力エネルギーセクターの急速な成長は、タービンの運転を最適化する緊急の必要性を浮き彫りにしている。
伝統的な経験的モデルと物理学に基づくモデルは、風速に基づく発電の近似予測を提供する。
データ駆動機械学習手法は、風力タービンモデリングを改善するための有望な道を示す。
論文 参考訳（メタデータ） (2025-02-11T08:16:48Z) - Asset Bundling for Wind Power Forecasting [15.393565192962482]
本研究は,アセットバンドル,マシンラーニング,予測和解技術を統合したBPR( Bundle-Predict-Reconcile)フレームワークを提案する。
BPRフレームワークはまず中間階層レベル(バンドル)を学習し、続いて資産、バンドル、フリートレベルでの風力発電を予測し、最後にすべての予測を整合性を確保するために調整する。
論文 参考訳（メタデータ） (2023-09-28T14:56:34Z) - Benchmarks and Custom Package for Energy Forecasting [55.460452605056894]
エネルギー予測は、電力グリッドディスパッチのようなその後のタスクのコストを最小化することを目的としている。
本稿では,大規模負荷データセットを収集し,再生可能エネルギーデータセットを新たにリリースした。
評価指標の異なるレベルにおいて,21種類の予測手法を用いた広範囲な実験を行った。
論文 参考訳（メタデータ） (2023-07-14T06:50:02Z) - 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) - A novel automatic wind power prediction framework based on multi-time
scale and temporal attention mechanisms [6.120692237856329]
風力発電は、ボラティリティ、断続性、ランダム性によって特徴づけられる。
従来の風力発電予測システムは、主に超短期または短期的な予測に焦点を当てている。
マルチタイムスケールで風力を予測できる自動フレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-02T17:03:08Z) - Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。
当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。
単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
論文 参考訳（メタデータ） (2021-10-26T20:41:19Z)
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。