論文の概要: Multi-site Learning for Forecasting Day-Ahead Wind-Power Production for Onshore Wind Farms in Great Britain with Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2610.25370v1
• Date: Sun, 18 Oct 2026 16:15:16 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:37:35.745051
• Title: Multi-site Learning for Forecasting Day-Ahead Wind-Power Production for Onshore Wind Farms in Great Britain with Deep Neural Networks
• Title（参考訳）: 深層ニューラルネットワークを用いたイギリスにおけるオンショア風力発電所の日頭風力発電予測のためのマルチサイト学習
• Abstract要約: 多地点深層ニューラルネットワーク (DNN) を, 海面風力バランス機構ユニット(BMU)88号機から, プールド・ヒストリ生産と再解析気象データを用いて訓練する。 予測はイギリス時間午前9時から深夜の配達日であり、NESOの運用日程と一致している。 NWPトラジェクトリ処理のための双方向気象エンコーダ(BiRNN)を備えたRNNは,638,246時間のBMU時間観測において,それぞれNESOに対するMW平均絶対誤差とルート平均2乗誤差を17.94%,12.51%削減する。
• 参考スコア（独自算出の注目度）: 0.08594140167290097
• License:
• Abstract: Accurate day-ahead wind-power production forecasting is increasingly important for energy system operations, market activity and balancing Great Britain's grid as wind generation grows. In this study, we train multi-site deep neural networks (DNNs) using pooled historical production and reanalysis weather data from 88 onshore wind Balancing Mechanism Units (BMUs). Forecasts are produced at 09:00 UK time for the following midnight-to-midnight delivery day, matching NESO's operational day-ahead forecasting schedule. We use reanalysis weather as future covariates during training and numerical weather prediction (NWP) forecasts during inference, extending training beyond the available historical NWP archive. Our multi-site recurrent neural network outperforms site-specific RNNs and a multi-site XGBoost model, while processing the full future-weather trajectory for the forecast horizon further improves accuracy relative to hour-aligned approaches. Our best model, an RNN with a bidirectional weather encoder (BiRNN) for NWP trajectory processing, reduces MW mean absolute error and root mean squared error relative to NESO by 17.94% and 12.51%, respectively, across 638,246 matched BMU-hour observations under conditions approximating unconstrained wind farm operations. In 40 leave-one-out trials, the BiRNN achieves lower MAE than NESO at 32 excluded sites, indicating transferable forecasting ability despite reduced accuracy when sites are omitted from training. Our capacity-estimation, data-cleaning and reanalysis-based training approach provides a basis for scaling NWP-aware multi-site forecasting to additional wind farms, longer production histories, and increased forecast accuracy beyond that seen in this study.
• Abstract（参考訳）: 風力発電が成長するにつれて、エネルギーシステムの運用、市場活動、イギリスのグリッドのバランスをとるために、正確な日頭風力発電の予測がますます重要になっている。 本研究では, 沿岸風力バランス機構ユニット(BMU)88号機から, 多地点深層ニューラルネットワーク(DNN)をプール生産と再解析気象データを用いて訓練する。 天気予報は翌深夜から深夜までのイギリス時間午前9時に作成され、NESOの運用日程と一致している。 我々は、推論中の予測と数値天気予報(NWP)において、将来の共変量として再分析天気を使用し、利用可能な歴史的NWPアーカイブを超えてトレーニングを延ばす。 我々のマルチサイトリカレントニューラルネットワークは、サイト固有のRNNとマルチサイトXGBoostモデルより優れ、予測地平線に対する完全な将来の軌跡を処理しながら、時間順のアプローチに対する精度をさらに向上させる。 NWPトラジェクトリ処理のための双方向気象エンコーダ(BiRNN)を備えたRNNは、制約のない風力発電運転を近似した条件下でのBMU時間観測において、それぞれ17.94%と12.51%の差でMW平均絶対誤差とルート平均2乗誤差を減少させる。 40回の退院試験において、BiRNNは、32のサイトから除外されたサイトにおいてNESOよりも低いMAEを達成し、サイトがトレーニングから省略された場合の精度が低下したにもかかわらず、転送可能な予測能力を示している。 我々のキャパシティ推定、データクリーニング、再分析に基づくトレーニングアプローチは、NWPを意識したマルチサイト予測を、追加の風力発電所へ拡張する基盤を提供し、生産履歴を長くし、また、本研究で見られる以上の予測精度を向上させる。

関連論文リスト

• Skillful forecasting of offshore winds from satellite scatterometer constellations [7.855049692954576]
  WindCastNetは、オフショア風速と方向を示す新しい衛星ベースの流し込みフレームワークである。 WindCastNetは、衛星散乱計の星座から得られた観測からオフショア・ウィンドフィールドを予測する。 ルート平均二乗誤差を23%削減し、HARMONIE MEPSモデルと比較すると、それぞれ7%リードタイム1時間と2時間であり、最初の3回の予測時間では9～15%持続時間を上回っている。
  論文  参考訳（メタデータ） (2026-07-29T17:31:20Z)
• Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
  我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。 ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
  論文  参考訳（メタデータ） (2026-05-07T20:25:28Z)
• Improving Predictions of Convective Storm Wind Gusts through Statistical Post-Processing of Neural Weather Models [0.07710102716793873]
  ニューラル気象モデル(NWM)の最近の進歩は、0.25degのグローバルグリッド上での大気環境の予測に、計算的に安価で高速なアプローチを提供する。 雷雨の場合、これらの環境は特定の場所で風速分布を予測するために経験的に後処理することができる。 そこでPangu-Weather NWMでは,時間ごとの風速を最大3日前に予測するために,統計的および深層学習後処理手法の階層化を適用した。
  論文  参考訳（メタデータ） (2025-03-31T18:25:35Z)
• OneForecast: A Universal Framework for Global and Regional Weather Forecasting [67.61381313555091]
  本稿では,グラフニューラルネットワークに基づくグローバルなネスト型気象予報フレームワーク(OneForecast)を提案する。 動的システムパースペクティブとマルチグリッド理論を組み合わせることで,マルチスケールグラフ構造を構築し,対象領域を密度化する。 動的ゲーティングユニットを用いた適応型メッセージング機構を導入し,ノードとエッジ機能を深く統合し,より正確なイベント予測を行う。
  論文  参考訳（メタデータ） (2025-02-01T06:49:16Z)
• Aardvark weather: end-to-end data-driven weather forecasting [30.219727555662267]
  Aardvark Weatherは、エンドツーエンドのデータ駆動型天気予報システムである。 生の観測を取り込み、グローバルなグリッド化された予測とローカルステーションの予測を出力する。 興味事の量よりもパフォーマンスを最大化するために、エンドツーエンドに最適化することができる。
  論文  参考訳（メタデータ） (2024-03-30T16:41:24Z)
• ExtremeCast: Boosting Extreme Value Prediction for Global Weather Forecast [57.6987191099507]
  非対称な最適化を行い、極端な天気予報を得るために極端な値を強調する新しい損失関数であるExlossを導入する。 また,複数のランダムサンプルを用いて予測結果の不確かさをキャプチャするExBoosterについても紹介する。 提案手法は,上位中距離予測モデルに匹敵する全体的な予測精度を維持しつつ,極端気象予測における最先端性能を達成することができる。
  論文  参考訳（メタデータ） (2024-02-02T10:34:13Z)
• Deep Learning for Day Forecasts from Sparse Observations [60.041805328514876]
  深層ニューラルネットワークは、気象条件をモデル化するための代替パラダイムを提供する。 MetNet-3は、密度とスパースの両方のデータセンサーから学習し、降水、風、温度、露点を最大24時間前に予測する。 MetNet-3は、それぞれ時間分解能と空間分解能が高く、最大2分と1km、運用遅延は低い。
  論文  参考訳（メタデータ） (2023-06-06T07:07:54Z)
• FengWu: Pushing the Skillful Global Medium-range Weather Forecast beyond 10 Days Lead [93.67314652898547]
  人工知能(AI)に基づく高度データ駆動型中距離気象予報システムFengWuについて紹介する。 FengWuは大気力学を正確に再現し、0.25度緯度で37の垂直レベルで将来の陸と大気の状態を予測することができる。 その結果、FengWuは予測能力を大幅に向上させ、熟練した中距離気象予報を10.75日間のリードまで拡張できることがわかった。
  論文  参考訳（メタデータ） (2023-04-06T09:16:39Z)
• Forecasting large-scale circulation regimes using deformable convolutional neural networks and global spatiotemporal climate data [86.1450118623908]
  変形可能な畳み込みニューラルネットワーク(deCNN)に基づく教師あり機械学習手法の検討 今後1～15日にわたって北大西洋-欧州の気象条件を予測した。 より広い視野で見れば、通常の畳み込みニューラルネットワークよりも5～6日を超えるリードタイムでかなり優れた性能を発揮することが分かる。
  論文  参考訳（メタデータ） (2022-02-10T11:37:00Z)

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。