論文の概要: Foundation-Style Pretraining for Scalable and Transferable Distributed PV Forecasting

• arxiv url: http://arxiv.org/abs/2610.27763v1
• Date: Tue, 20 Oct 2026 07:26:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-21 21:58:47.697448
• Title: Foundation-Style Pretraining for Scalable and Transferable Distributed PV Forecasting
• Title（参考訳）: スケーラブルでトランスファー可能な分散PV予測のためのファンデーションスタイル事前学習
• Abstract要約: 既存のアプローチは、個々の場所や特定の予測地平線に対して一般的に開発されており、繰り返しトレーニングとメンテナンスが必要である。 本稿では、異種多地点と多水平PVデータから共有予測モデルを学ぶドメイン固有基盤型事前学習フレームワークを提案する。 479の分散PVステーションの実験では、モデル開発に340のステーションを使用し、ゼロショット評価に139の空間保持型ステーションを使用した。
• 参考スコア（独自算出の注目度）: 14.66832333069899
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid growth of distributed photovoltaic (PV) generation is increasing the demand for accurate forecasting across large numbers of geographically dispersed stations. Existing approaches are commonly developed for individual sites or specific forecasting horizons, requiring repeated training and maintenance as new stations are integrated and limiting direct reuse at previously unseen sites. To address this scalability gap, this paper presents a domain-specific foundation-style pretraining framework that learns a shared forecasting model from heterogeneous multi-site and multi-horizon PV data. NWP-assisted forecasting is formulated as a sequence-completion problem that unifies historical PV power, meteorological observations, future numerical weather prediction (NWP) forecasts, and time encodings. Three pretraining objectives are designed and systematically evaluated, including forecast-aligned reconstruction, generic reconstruction, and mixed reconstruction. The mixed objective combines the operational structure of PV forecasting with random sequence reconstruction and provides the most balanced performance across forecasting accuracy, degraded NWP conditions, and downstream adaptation. Experiments on 479 distributed PV stations use 340 stations for model development and 139 spatially held-out stations for zero-shot evaluation. Across horizons from 6 hours to 7 days, the multi-site pretrained MR model outperforms representative station-specific and shared baselines, as well as generalist time-series models, including a recent large-scale pretrained foundation model. The pretrained model can also be directly deployed at new PV stations and subsequently adapted to region-specific operational objectives when local data become available, providing a scalable forecasting paradigm for large distributed PV fleets.
• Abstract（参考訳）: 分散型太陽光発電(PV)発電の急速な成長により、多くの地理的に分散したステーションで正確な予測を行う需要が高まっている。 既存のアプローチは、個々の場所や特定の予測地平線に対して一般的に開発されており、新しい駅が統合され、以前は見つからなかった場所での直接の再利用が制限されるため、繰り返しの訓練とメンテナンスを必要としている。 このスケーラビリティギャップに対処するため,異種多地点・多水平PVデータから共有予測モデルを学習するドメイン固有基盤型事前学習フレームワークを提案する。 NWPによる予測は、過去のPVパワー、気象観測、将来の数値天気予報(NWP)予測、時刻エンコーディングを統一するシーケンス補完問題として定式化されている。 予測整合化, 総合的再構築, 混合再建の3つの事前学習目標を設計, 体系的に評価した。 混合目的は、PV予測の運用構造とランダムシーケンス再構成を組み合わせ、予測精度、劣化したNWP条件、下流適応の最もバランスのとれた性能を提供する。 479の分散PVステーションの実験では、モデル開発に340のステーションを使用し、ゼロショット評価に139の空間保持型ステーションを使用した。 6時間から7日間の地平線をまたいだ多地点事前訓練MRモデルは,近年の大規模事前訓練基礎モデルを含む一般時系列モデルと同様に,駅特化・共有ベースラインに優れる。 事前訓練されたモデルは、新しいPVステーションに直接デプロイすることもでき、その後、ローカルデータが利用可能になると、地域固有の運用目標に適応し、大規模な分散PVフリートに対してスケーラブルな予測パラダイムを提供する。

関連論文リスト

• Constructed regional photovoltaic generation fields improve ultra-short-term distributed solar forecasting [15.219938577969165]
  我々は,分散計測を画像のような生成フィールドに変換するフレームワークを開発し,その時間的進化をモデル化する。 496の分散PVシステム(446のソースステーションと50のホールトアウトターゲットステーションを含む)による実験は、これらの領域を効果的に予測し、駅レベルの予測を改善するために使用できることを示した。
  論文  参考訳（メタデータ） (2026-10-12T03:17:25Z)
• Proper Scoring Rule-based Diffusion for Probabilistic Weather Forecasting [59.015610520217734]
  我々は,コンテキストとその劣化バージョンから,同じ将来状態を予測できる補助的条件記述タスクを導入する。 推測時には、予測器は、完全に破損したエンドポイントにおいて、単一の前方通過で各アンサンブル部材を生成することができる。
  論文  参考訳（メタデータ） (2026-09-29T22:47:10Z)
• SPACE: Sample-cloud Predictive Adaptive Conformal Ellipsoids for Multivariate Time-Series Forecasting [0.42056926734482064]
  SPACEはサンプル生成型多変量予測器のための共形ラッパーである。 現在の予測サンプル雲から直接時間-局所共分散の幾何を推定することにより楕円形の関節予測領域を構築する。 達成された関節と転がりのカバーを名目上の目標に近づける。
  論文  参考訳（メタデータ） (2026-08-18T03:44:32Z)
• STIPP: Space-time in situ postprocessing over the French Alps using proper scoring rules [1.887852744008007]
  Space-time In situ Postprocessing (STIPP) は、ステーション位置のネットワークに対して一貫した天気予報を生成する機械学習モデルである。 トレーニングに適切なスコアリングルールを活用することで、STIPPは分散限界のみを監督する作業駆動型大気モデルに寄与する。
  論文  参考訳（メタデータ） (2026-01-06T10:07:20Z)
• Generating ensembles of spatially-coherent in-situ forecasts using flow matching [0.3721016050171826]
  天気予報後処理のための機械学習に基づく手法を提案する。 我々のフロー・マッチング・ポストプロセッシング(FMAP)は、観測分布の相関構造をより良く表現する。 FMAPはEUPPBenchデータセットの実験で有望なパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-04-04T14:12:53Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)
• A framework for probabilistic weather forecast post-processing across models and lead times using machine learning [3.1542695050861544]
  我々はNWPモデルと意思決定支援の「理想的な」予測とのギャップを埋める方法について述べる。 本研究では,各数値モデルの誤差プロファイルの学習にQuantile Regression Forestsを使用し,これを経験から得られた確率分布を予測に適用する。 第2に、これらの確率予測を量子平均化(quantile averaging)を用いて組み合わせ、第3に、集合量子化の間で補間して完全な予測分布を生成する。
  論文  参考訳（メタデータ） (2020-05-06T16:46:02Z)

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。