論文の概要: Transfer Learning with Conformalized Quantile Regression for Solar PV Forecasting Under Load-Shedding-Driven Data Scarcity

• arxiv url: http://arxiv.org/abs/2609.26959v2
• Date: Thu, 01 Oct 2026 07:47:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:23.324052
• Title: Transfer Learning with Conformalized Quantile Regression for Solar PV Forecasting Under Load-Shedding-Driven Data Scarcity
• Title（参考訳）: 負荷層駆動型データスカシティにおけるソーラーPV予測のための等角化量子回帰を用いた伝達学習
• Abstract要約: 太陽の太陽光発電(PV)予測は、信頼性の高い歴史的観測が乏しいため困難である。 本研究では、PV電力予測を改善するために、CQR(Conformalized Quantile Regression)と併用した転送学習フレームワークを提案する。
• 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: Solar photovoltaic (PV) forecasting in regions affected by load shedding is challenging because reliable historical observations are scarce. This study proposes a transfer learning framework combined with Conformalized Quantile Regression (CQR) to improve PV power forecasting and provide reliable uncertainty estimates under severe data scarcity. A source-domain PV dataset from Alice Springs, Australia, is used to pretrain a temporal forecasting model, which is then adapted to simulated Bangladesh PV data representing different levels of historical availability. Experimental results show that transfer learning reduces RMSE by up to 23.7% when only one month of target-domain data is available and by 13.7% with three months of data. The proposed Transfer Learning plus CQR framework achieves 94.3% empirical coverage with three months of target data while producing prediction intervals that are 14% narrower than those obtained without transfer learning. These results demonstrate that combining transfer learning with conformal uncertainty quantification can improve both point forecasting accuracy and uncertainty reliability when target-domain PV data are severely limited.
• Abstract（参考訳）: 太陽の太陽光発電(PV)予測は、信頼性の高い歴史的観測が乏しいため困難である。 本研究では,CQR(Conformalized Quantile Regression)と組み合わせた伝達学習フレームワークを提案する。 オーストラリアのアリススプリングス(Alice Springs)のソースドメインPVデータセットは、時間的予測モデルを事前トレーニングするために使用され、その後、さまざまな歴史的可用性のレベルを表すバングラデシュのPVデータに適応する。 実験の結果、転送学習は、ターゲットドメインのデータが1ヶ月しか利用できない場合、RMSEを最大23.7%削減し、3ヶ月のデータで13.7%削減することが示された。 提案したTransfer LearningプラスCQRフレームワークは、3ヶ月のターゲットデータを用いて94.3%の実証的カバレッジを実現し、Transfer Learningなしで得られるものよりも14%狭い予測間隔を生成する。 これらの結果から,変換学習と不確実性定量化を組み合わせることで,ターゲットドメインPVデータが著しく制限された場合に,ポイント予測精度と不確実性信頼性を両立させることができることがわかった。

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)
• Uncertainty-Aware Solar Flare Regression [0.0]
  現在の太陽フレア予測は、その信頼性の正確な定量化を欠くことが多く、しばしば誤報を引き起こす。 宇宙天気予報の信頼性を高めるためには,モデル予測のための信頼区間を確立することが重要である。 本研究では,宇宙天気予報における回帰作業への共形予測の適用について検討する。
  論文  参考訳（メタデータ） (2026-03-05T20:23:51Z)
• Distributional Regression U-Nets for the Postprocessing of Precipitation Ensemble Forecasts [0.0]
  グリッド型降水アンサンブル予測のためのグローバル統計後処理手法を提案する。 このU-Netベースの分布回帰法は,スコアリングルール最小化によって推定されるパラメトリック分布の形で,限界分布を予測する。
  論文  参考訳（メタデータ） (2024-07-02T10:16:04Z)
• Long-term drought prediction using deep neural networks based on geospatial weather data [75.38539438000072]
  農業計画や保険には1年前から予測される高品質の干ばつが不可欠だ。 私たちは、体系的なエンドツーエンドアプローチを採用するエンドツーエンドアプローチを導入することで、干ばつデータに取り組みます。 主な発見は、TransformerモデルであるEarthFormerが、正確な短期(最大6ヶ月)の予測を行う際の例外的なパフォーマンスである。
  論文  参考訳（メタデータ） (2023-09-12T13:28:06Z)
• A Meta-Learning Approach to Predicting Performance and Data Requirements [163.4412093478316]
  本稿では,モデルが目標性能に達するために必要なサンプル数を推定する手法を提案する。 モデル性能を推定するデファクト原理であるパワー法則が,小さなデータセットを使用する場合の誤差が大きいことが判明した。 本稿では,2つのデータを異なる方法で処理するPPL法について紹介する。
  論文  参考訳（メタデータ） (2023-03-02T21:48:22Z)
• Spatio-Temporal Denoising Graph Autoencoders with Data Augmentation for Photovoltaic Timeseries Data Imputation [5.59104299391672]
  本稿では,PV電力データ不足を補うために,新しい時空間デノインググラフオートエンコーダ(STD-GAE)フレームワークを提案する。 STD-GAEは、時間的相関、空間コヒーレンス、およびドメイン知識からの値依存性を利用して、欠落したデータを復元する。 実験の結果、STD-GAEは計算精度が43.14%向上し、欠落率、季節、欠落シナリオに敏感であることが示されている。
  論文  参考訳（メタデータ） (2023-02-21T18:16:52Z)
• Adapting to Continuous Covariate Shift via Online Density Ratio Estimation [64.8027122329609]
  分散シフトへの対処は、現代の機械学習における中心的な課題の1つだ。 歴史的情報を適切に再利用するオンライン手法を提案する。 我々の密度比推定法は, ダイナミックなリセットバウンドを楽しむことにより, 良好に動作できることが証明された。
  論文  参考訳（メタデータ） (2023-02-06T04:03:33Z)
• DER Forecast using Privacy Preserving Federated Learning [0.0]
  分散機械学習アプローチであるFederated Learningを提案し、IoTノードのネットワークを使用してDER予測を実行する。 提案手法が消費者プライバシ保護の正確な予測に繋がることを示すため,1000 DER を含むシミュレーション研究を考察する。
  論文  参考訳（メタデータ） (2021-07-07T14:25:43Z)

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。