論文の概要: PING: physics informed graph neural network for advection-diffusion processes with applications to solar power forecasting
- arxiv url: http://arxiv.org/abs/2610.18280v1
- Date: Tue, 13 Oct 2026 12:33:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 06:36:05.530183
- Title: PING: physics informed graph neural network for advection-diffusion processes with applications to solar power forecasting
- Title（参考訳）: PING:吸着拡散過程のための物理情報グラフニューラルネットワークと太陽エネルギー予測への応用
- Abstract要約: 対流拡散は大気や雲のダイナミクスのような輸送現象において重要な役割を果たす。
本研究では,不規則格子上の将来の対流拡散粒子濃度を予測するための物理インフォームドグラフニューラルネットワーク(PING)を提案する。
- 参考スコア（独自算出の注目度）: 28.033586238080918
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Advection-diffusion plays an essential role in transport phenomena such as atmospheric and cloud dynamics. Improved forecasting of cloud motion, in turn, enhances solar power production forecasts and facilitates the integration of additional photovoltaic (PV) sources into the power grid. However, both classical numerical models and emerging deep learning approaches face challenges when applied to spatially irregular sensor networks such as those formed by weather stations. In this work, we adopt a graph signal processing perspective and model advection-diffusion particles as signals on a graph to capture the dynamics of these processes. We introduce a Physics-Informed Graph Neural Network (PING) for forecasting future advection-diffusion particle concentrations on irregular grids. The model incorporates a discretized advection-diffusion equation as a soft constraint in the loss function to guide learning toward physically consistent solutions. This model is on par with state of the art models on synthetic and real transport phenomena datasets, including sea surface temperature and cloud index datasets. Furthermore, the PING model is successfully coupled with models for forecasting PV power production. This hybrid approach leverages data fusion from ground-based sensors at PV stations and satellite images with cloud concentration to improve the accuracy of intra-day PV power production.
- Abstract（参考訳）: 対流拡散は大気や雲のダイナミクスのような輸送現象において重要な役割を果たす。
雲の動きの予測の改善により、太陽発電の予測が強化され、太陽光発電(PV)源の追加が電力グリッドに統合される。
しかし、古典的な数値モデルと深層学習のアプローチは、気象観測所によって形成されるような空間的に不規則なセンサネットワークに適用した場合、課題に直面している。
本研究では,これらのプロセスのダイナミクスを捉えるために,グラフ信号処理の観点と,グラフ上の信号として対流拡散粒子をモデル化する。
本研究では,不規則格子上の将来の対流拡散粒子濃度を予測するための物理インフォームドグラフニューラルネットワーク(PING)を提案する。
このモデルは、離散化された対流拡散方程式を損失関数のソフト制約として組み込んで、学習を物理的に一貫した解へと導く。
このモデルは、海面温度やクラウドインデックスデータセットを含む合成および実際の輸送現象データセットの最先端モデルと同等である。
さらに、PINGモデルとPV発電予測モデルがうまく結合されている。
このハイブリッドアプローチは、PVステーションの地上センサーとクラウド濃度の衛星画像からのデータ融合を利用して、日内PV発電の精度を向上させる。
関連論文リスト
- Solar-VLM: Multimodal Vision-Language Models for Augmented Solar Power Forecasting [8.479205315463522]
本論文ではマルチモーダルPV電力予測のための大規模言語モデル駆動フレームワークであるSolar-VLMを提案する。
地理的に分散したステーション間の空間的依存関係をキャプチャするために、クロスサイト特徴融合機構を導入する。
中国北部の8ヶ所のPVステーションのデータを用いて,提案手法の有効性を実証した。
論文 参考訳（メタデータ） (2026-04-05T15:14:26Z) - Temporal Graph Neural Networks for Early Anomaly Detection and Performance Prediction via PV System Monitoring Data [0.11726720776908518]
提案モデルでは,光,モジュール,環境温度などの重要なPVシステムパラメータ間のグラフベースの時間的関係を利用して電力出力を予測する。
この研究は、リヨン(フランス)の屋上にある屋外施設から収集されたデータに基づいており、PVモジュールからの電力測定や気象パラメーターも含んでいる。
論文 参考訳（メタデータ） (2025-12-02T10:16:14Z) - FoilDiff: A Hybrid Transformer Backbone for Diffusion-based Modelling of 2D Airfoil Flow Fields [1.5749416770494706]
FoilDiffは、ハイブリッドバックボーンデノナイジングネットワークを備えた拡散ベースのサロゲートモデルである。
既存の拡散モデルよりも正確な予測とより良い校正された予測の不確実性を提供することができる。
論文 参考訳（メタデータ） (2025-10-05T19:10:38Z) - Predicting Large-scale Urban Network Dynamics with Energy-informed Graph Neural Diffusion [51.198001060683296]
ネットワーク化された都市システムは人、資源、サービスのフローを促進する。
グラフニューラルネットワークのような現在のモデルは、将来性を示しているが、有効性と効率性のトレードオフに直面している。
本論文は,本質的なモデル設計を伝えるための物理法則からインスピレーションを得て,このトレードオフに対処する。
論文 参考訳（メタデータ） (2025-07-31T01:24:01Z) - Transformers from Diffusion: A Unified Framework for Neural Message Passing [79.9193447649011]
メッセージパッシングニューラルネットワーク(MPNN)は、デファクトクラスのモデルソリューションとなっている。
本稿では,拡散の誘導バイアスとエネルギーの層的制約を統合するエネルギー制約拡散モデルを提案する。
これらの知見に基づいて、我々はTransformer (DIFFormer)と呼ばれる新しいタイプのメッセージパッシングモデルを考案した。
論文 参考訳（メタデータ） (2024-09-13T17:54:41Z) - Dynamic Causal Explanation Based Diffusion-Variational Graph Neural
Network for Spatio-temporal Forecasting [60.03169701753824]
時間予測のための動的拡散型グラフニューラルネットワーク(DVGNN)を提案する。
提案したDVGNNモデルは最先端のアプローチよりも優れ,Root Mean Squared Errorの結果が優れている。
論文 参考訳（メタデータ） (2023-05-16T11:38:19Z) - A Comparative Study on Generative Models for High Resolution Solar
Observation Imaging [59.372588316558826]
本研究は、観測された太陽活動状態の背後にあるデータ分布を正確に捉えるために、現在の最先端生成モデルの能力について検討する。
スーパーコンピュータ上での分散トレーニングを用いて、人間の専門家が区別できない高品質なサンプルを生成する、最大1024x1024解像度の生成モデルを訓練することができる。
論文 参考訳（メタデータ） (2023-04-14T14:40:32Z) - Forecasting Intraday Power Output by a Set of PV Systems using Recurrent Neural Networks and Physical Covariates [0.0]
PhotoVoltaic(PV)システムによる出力の正確な予測は、エネルギー分配グリッドの動作を改善するために重要である。
このような日内予測の実現を目的とした神経自己回帰モデルについて述べる。
論文 参考訳（メタデータ） (2023-03-15T09:03:58Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳（メタデータ） (2021-07-14T21:10:47Z)
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。