論文の概要: Physics-Informed State Space Models for Day-Ahead Photovoltaic Power Forecasting

• arxiv url: http://arxiv.org/abs/2610.14014v1
• Date: Tue, 29 Sep 2026 09:09:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 21:02:54.464834
• Title: Physics-Informed State Space Models for Day-Ahead Photovoltaic Power Forecasting
• Title（参考訳）: 日頭太陽光発電予測のための物理インフォームド状態空間モデル
• Abstract要約: 微分可能なPV変換モデルと選択的な状態空間バックボーンを組み合わせた物理インフォームド状態空間フレームワークを提案する。 1年間の実用規模PVデータを用いた実験により,提案手法は予測精度を大幅に向上することが示された。
• 参考スコア（独自算出の注目度）: 1.2649845438506215
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate day-ahead photovoltaic (PV) power forecasting requires both strong temporal modeling and adherence to physical PV system constraints. Purely data-driven models often ignore the underlying PV conversion process and may produce predictions that are outside the operational range of a PV system. In this paper, we propose a physics-informed state space framework that combines a differentiable PV conversion model with a selective state space backbone (PowerMamba). Our approach follows a physics-residual decomposition. The physics module provides a structured baseline based on solar geometry, irradiance, temperature effects, and inverter limits, while the state space model learns residual corrections from numerical weather prediction (NWP) inputs over a 24-hour horizon. Experiments on one year of utility-scale PV data show that the proposed method significantly improves forecasting accuracy, reducing RMSE by 38.5% and MAE by 45.8% compared to a physics-only baseline, and outperforming a purely data-driven model. Results further show that incorporating system-level physics provides the largest performance gains, while additional refinements offer only marginal improvements. Beyond accuracy, the model improves robustness by constraining predictions toward physical feasibility, reducing unrealistic predictions under corrupted measurements.
• Abstract（参考訳）: 正確な日頭太陽光発電(PV)電力予測には、強い時間的モデリングと物理的PVシステムの制約に固執する必要がある。 純粋なデータ駆動モデルはしばしば基礎となるPV変換プロセスを無視し、PVシステムの運用範囲外にある予測を生成する。 本稿では、微分可能なPV変換モデルと選択的な状態空間バックボーン(PowerMamba)を組み合わせた物理インフォームド状態空間フレームワークを提案する。 我々のアプローチは物理-残留分解に従う。 物理モジュールは、太陽幾何学、光、温度効果、インバータの限界に基づく構造化ベースラインを提供し、状態空間モデルは24時間水平線上の数値気象予測(NWP)入力から残差補正を学習する。 1年間の実用規模のPVデータを用いた実験により,提案手法は予測精度を著しく向上し,RMSEを38.5%,MAEを45.8%削減し,純粋にデータ駆動モデルを上回る結果を得た。 さらに、システムレベルの物理を組み込むことで最大の性能向上が得られるのに対し、さらなる改良は限界的な改善しか得られないことを示す。 精度を超えて、モデルは物理的実現可能性に対する予測を制約することでロバスト性を改善し、劣化した測定の下で非現実的な予測を減らす。

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)
• Physics-Informed State Space Models for Reliable Solar Irradiance Forecasting in Off-Grid Systems [0.0]
  本稿では,エッジ展開マイクロコントローラの効率性と物理精度のギャップを埋める物理インフォームド・ステート・スペース・モデル(PISSM)を提案する。 線形状態空間モデルは重心の注意機構を置き換え、並列処理のための時間依存を効率的にモデル化する。 PISSMは4万パラメータ未満で優れた精度を達成し、リアルタイムオフグリッド制御のための超軽量なベンチマークを確立する。
  論文  参考訳（メタデータ） (2026-04-13T17:59:49Z)
• 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)
• Short-Term Photovoltaic Forecasting Model for Qualifying Uncertainty during Hazy Weather [9.367926898177815]
  我々は、悪天候下で不確実性を評価するために、改良されたエントロピーを導入する。 クラスタリングとアテンション機構は、計算コストを削減し、予測精度を高めるために使用される。 悪天候に関連する2つのデータセットの実験により、我々のモデルは予測精度を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2024-07-29T02:53:39Z)
• Generalizing Weather Forecast to Fine-grained Temporal Scales via Physics-AI Hybrid Modeling [55.13352174687475]
  本稿では,天気予報をトレーニングデータセットを超える微細な時間スケールに一般化する物理AIハイブリッドモデル(WeatherGFT)を提案する。 具体的には、小さな時間スケールで物理進化をシミュレートするために、慎重に設計されたPDEカーネルを用いる。 また、異なるリードタイムでのモデルの一般化を促進するためのリードタイムアウェアトレーニングフレームワークも導入する。
  論文  参考訳（メタデータ） (2024-05-22T16:21:02Z)
• Residual Corrective Diffusion Modeling for Km-scale Atmospheric Downscaling [58.456404022536425]
  気象・気候からの物理的危険予知技術の現状には、粗い解像度のグローバルな入力によって駆動される高価なkmスケールの数値シミュレーションが必要である。 ここでは、コスト効率のよい機械学習代替手段として、このようなグローバルな入力をkmスケールにダウンスケールするために、生成拡散アーキテクチャを探索する。 このモデルは、台湾上空の地域気象モデルから2kmのデータを予測するために訓練され、世界25kmの再解析に基づいている。
  論文  参考訳（メタデータ） (2023-09-24T19:57:22Z)

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。