論文の概要: A Hybrid TFT-NBEATS Framework for Robust Multi-Horizon Photovoltaic Power Forecasting

• arxiv url: http://arxiv.org/abs/2610.27155v1
• Date: Mon, 19 Oct 2026 18:49:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.460359
• Title: A Hybrid TFT-NBEATS Framework for Robust Multi-Horizon Photovoltaic Power Forecasting
• Title（参考訳）: マルチ水平光電力予測のためのハイブリッドTFT-NBEATSフレームワーク
• Abstract要約: 本研究では,TFT(Temporal Fusion Transformer)とN-BEATSを統合した新しいハイブリッドディープラーニングフレームワークを提案する。 単一の統合パイプライン内で30分、2時間、6時間、12時間、24時間の予測を同時に生成する。 提案したモデルは、2016年、2023年、2024年、20252026のデータセットでそれぞれ42.35年、46.27年、52.29年、48.11年のRMSE値を達成している。
• 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: Accurate multi-horizon photovoltaic (PV) power forecasting is essential for grid stability, energy scheduling, and the efficient operation of PVbatterygrid systems. However, existing models often fail to jointly capture short-term variability and long-term temporal patterns, while lacking unified multi-horizon capability and interpretability. To address these limitations, this study proposes a novel hybrid deep learning framework that integrates a Temporal Fusion Transformer (TFT) and N-BEATS within an attention-based fusion architecture. The proposed model leverages TFT to learn short-term temporal dependencies and dynamic feature importance, while N-BEATS captures long-term trend and seasonal components through interpretable basis decomposition. An adaptive attention mechanism dynamically fuses both branches, enabling balanced multi-scale learning. The framework simultaneously generates forecasts for 30-minute, 2-hour, 6-hour, 12-hour, and 24-hour horizons within a single unified pipeline. The model is evaluated using multi-year real-world datasets from the Desert Knowledge Australia Solar Centre (DKASC). Experimental results demonstrate superior performance over statistical, machine learning, and deep learning baselines. The proposed model achieves RMSE values of 42.35, 46.27, 52.29, and 48.11 across the 20162017, 2023, 2024, and 20252026 datasets, respectively, corresponding to a 3540% reduction compared to the best baseline (TFT). Additionally, MAPE remains below 5% across all datasets, indicating high predictive accuracy and stability. The model also provides interpretability through attention visualization and trendseasonality decomposition, and is deployed on a cloud-based platform for real-time forecasting. These results demonstrate that the proposed framework is robust, interpretable, and suitable for practical renewable energy applications.
• Abstract（参考訳）: 格子安定性,エネルギースケジューリング,PVバッテリグリッドシステムの効率的な運転には,正確なマルチホライゾン太陽光発電(PV)電力予測が不可欠である。 しかし、既存のモデルは、統合されたマルチホライゾン能力と解釈可能性に欠けながら、短期的変動性と長期的時間的パターンを共同で捉えることができないことが多い。 これらの制約に対処するために,TFT(Temporal Fusion Transformer)とN-BEATS(N-BEATS)を統合した新しいハイブリッドディープラーニングフレームワークを提案する。 提案モデルはTFTを利用して短期的時間的依存関係と動的特徴の重要性を学習する一方,N-BEATSは解釈可能な基底分解によって長期的傾向と季節的成分をキャプチャする。 適応的な注意機構は両方の枝を動的に融合させ、バランスの取れたマルチスケール学習を可能にする。 このフレームワークは、単一の統合パイプライン内で30分、2時間、6時間、12時間、24時間の予測を同時に生成する。 このモデルは、砂漠知識オーストラリア太陽センター(DKASC)の複数年間の実世界のデータセットを用いて評価される。 実験結果は,統計的,機械学習,ディープラーニングのベースラインよりも優れた性能を示した。 提案したモデルでは,2016年,2023年,2024年,20252026年の各データセットのRMSE値42.35,46.27,52.29,48.11が,最良ベースライン(TFT)と比較して3540%削減された。 さらに、MAPEはすべてのデータセットで5%以下であり、高い予測精度と安定性を示している。 このモデルは、注意の可視化と傾向の分解を通じて解釈可能性を提供し、リアルタイムの予測のためにクラウドベースのプラットフォームにデプロイされる。 これらの結果から,提案フレームワークは堅牢であり,解釈可能であり,実用的再生可能エネルギー応用に適していることが示唆された。

関連論文リスト

• Learning Long-Term Temporal Dependencies in Photovoltaic Power Output Prediction Through Multi-Horizon Forecasting [9.023507281431252]
  本稿では,従来の単一水平推定からマルチ水平予測フレームワークへの移行を提案する。 我々は、将来の一連の値に対する共同最適化により、深層ニューラルネットワークが潜時的な時間的依存をよりよく捉えることができることを実験的に実証した。 我々は、複数の離散的な将来の時間ステップにまたがる出力を同時に予測するモデルの能力を評価する。
  論文  参考訳（メタデータ） (2026-05-18T19:56:34Z)
• From ARIMA to Attention: Power Load Forecasting Using Temporal Deep Learning [0.0]
  本稿では,従来の統計モデルと,短期エネルギー負荷予測のためのディープラーニング手法の実証評価を行う。 ARIMA、LSTM、BiLSTM、Transformerの4つのモデルがPJM Hourly Energy Consumptionデータに利用された。 トランスフォーマーモデルは自己認識アルゴリズムに依存しており、MAPEの3.8%で最良の結果を生み出した。
  論文  参考訳（メタデータ） (2026-02-21T10:51:49Z)
• Image-Free Timestep Distillation via Continuous-Time Consistency with Trajectory-Sampled Pairs [44.222818959759024]
  本研究では, 連続時間連続蒸留におけるトラジェクティブ-バックワード整合性モデル(TBCM)を提案する。 VAEエンコーディングや大規模データセットを必要とする従来の方法とは異なり、我々の自己完結蒸留パラダイムは効率と簡易性の両方を著しく改善する。 TBCMは1ステップでMJHQ-30kで6.52 FIDと28.08 CLIPのスコアを達成し、Sana-Sprintと比較してトレーニング時間を約40%短縮した。
  論文  参考訳（メタデータ） (2025-11-25T15:36:20Z)
• SEMPO: Lightweight Foundation Models for Time Series Forecasting [45.456949943052116]
  SEMPOは比較的小規模なデータに対する事前トレーニングを必要とする軽量な基礎モデルであるが、強い時系列予測を示す。 SEMPOは、1)エネルギーを意識したSpEctral分解モジュールと、事前学習データの利用を大幅に改善する2つの重要なモジュールから構成される。 16のデータセットをカバーする2つの大規模ベンチマークの実験は、ゼロショットと少数ショットの予測シナリオの両方でSEMPOの優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-10-22T15:58:44Z)
• Enhanced Photovoltaic Power Forecasting: An iTransformer and LSTM-Based Model Integrating Temporal and Covariate Interactions [16.705621552594643]
  既存のモデルは、しばしばターゲット変数と共変量の間の複雑な関係を捉えるのに苦労する。 対象変数からの特徴抽出にiTransformerを利用する新しいモデルアーキテクチャを提案する。 クロスアテンション機構は両方のモデルの出力を融合するために統合され、続いてコルモゴロフ・アルノルドネットワークマッピングが続く。 その結果, PV発電の季節変動を効果的に把握し, 予測精度を向上することが示唆された。
  論文  参考訳（メタデータ） (2024-12-03T09:16:13Z)
• Transformer Multivariate Forecasting: Less is More? [42.558736426375056]
  本稿では,実行効率を最適化しながら予測精度を高めるために冗長な情報を削減することに焦点を当てる。 このフレームワークは、5つの最先端(SOTA)モデルと4つの多様な実世界のデータセットによって評価される。 PCA+Crossformer(PCA+Crossformer)は平均平方誤差(MSE)を33.3%減らし、平均で49.2%減らす。
  論文  参考訳（メタデータ） (2023-12-30T13:44:23Z)
• 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 comparative assessment of deep learning models for day-ahead load forecasting: Investigating key accuracy drivers [2.572906392867547]
  短期負荷予測(STLF)は電力グリッドとエネルギー市場の効果的かつ経済的な運用に不可欠である。 STLFの文献ではいくつかのディープラーニングモデルが提案されており、有望な結果を報告している。
  論文  参考訳（メタデータ） (2023-02-23T17:11:04Z)
• Towards Long-Term Time-Series Forecasting: Feature, Pattern, and Distribution [57.71199089609161]
  長期的時系列予測(LTTF)は、風力発電計画など、多くのアプリケーションで需要が高まっている。 トランスフォーマーモデルは、高い計算自己認識機構のため、高い予測能力を提供するために採用されている。 LTTFの既存の手法を3つの面で区別する,Conformer という,効率的なTransformer ベースモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-05T13:59:29Z)
• Mitigating Data Redundancy to Revitalize Transformer-based Long-Term Time Series Forecasting System [46.39662315849883]
  本稿では,カリキュラム学習とメモリ駆動デコーダによる冗長性を緩和する新しいフレームワークであるCLMFormerを紹介する。 CLMFormerはTransformerベースのモデルを最大30%改善し、長距離予測の有効性を示している。
  論文  参考訳（メタデータ） (2022-07-16T04:05:15Z)

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。