論文の概要: The Utility of Physics-Informed Machine Learning in Solar Power Production Forecasting

• arxiv url: http://arxiv.org/abs/2610.38976v1
• Date: Wed, 28 Oct 2026 22:01:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.424065
• Title: The Utility of Physics-Informed Machine Learning in Solar Power Production Forecasting
• Title（参考訳）: 太陽光発電予測における物理インフォームド機械学習の有用性
• Abstract要約: 我々は、ADR物理PV効率モデルとTSMixerニューラル予測アーキテクチャを統合する2つのハイブリッド予測アーキテクチャを開発した。 提案したモデルは、33カ国の3,713 PV 施設から300万件以上のサンプルからなるデータセットで評価される。 物理インフォームドモデルは、トレーニング中にわずかに高速な収束を示すように見えるが、テストセットの精度、一般化、性能において一貫した改善は得られない。
• 参考スコア（独自算出の注目度）: 5.569356661505655
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Physics-informed machine learning (PIML) and hybrid modeling have attracted significant attention as approaches for combining physical knowledge with the flexibility of deep learning. In this work, we investigate whether these approaches deliver their commonly claimed benefits for large-scale photovoltaic (PV) power forecasting. We develop two hybrid forecasting architectures that integrate the ADR physical PV efficiency model with the TSMixer neural forecasting architecture through feature augmentation and residual learning. The proposed models are evaluated on a dataset comprising over 3 million samples from 3,713 PV installations across 33 European countries. We assess convergence speed, forecasting accuracy, transferability across geographical regions, and data efficiency. Although the physics-informed models seem to exhibit slightly faster convergence during training, they do not achieve consistent improvements in test-set accuracy, generalization, or performance under limited training data compared to the purely data-driven baseline. These findings suggest that, for modern deep forecasting architectures trained on large datasets, explicitly incorporating the ADR physical model provides limited practical benefit for day-ahead PV forecasting.
• Abstract（参考訳）: 物理インフォームド・機械学習(PIML)とハイブリッド・モデリングは、物理知識と深層学習の柔軟性を組み合わせるアプローチとして大きな注目を集めている。 本研究では,これらの手法が大規模太陽光発電(PV)電力予測に一般的に主張されている利点を提供するかどうかを検討する。 我々は,ADR物理PV効率モデルとTSMixerニューラル予測アーキテクチャを統合した2つのハイブリッド予測アーキテクチャを開発した。 提案したモデルは、33カ国の3,713 PV 施設から300万件以上のサンプルからなるデータセットで評価される。 我々は,収束速度,予測精度,地理的領域間の転送可能性,データ効率を評価する。 物理インフォームドモデルは、トレーニング中にわずかに早く収束するように見えるが、純粋にデータ駆動ベースラインと比較して、限られたトレーニングデータの下でテストセットの精度、一般化、パフォーマンスが一貫した改善を達成していない。 これらの結果から,大規模データセットでトレーニングされた最新の深層予測アーキテクチャにおいて,ADR物理モデルを明示的に組み込むことは,日頭PV予測に限られた実用的利益をもたらすことが示唆された。

関連論文リスト

• Towards foundational LiDAR world models with efficient latent flow matching [3.971158433168816]
  1つの事前学習モデルは、スクラッチからトレーニングよりも最大11%の絶対的な改善を達成でき、我々の比較の30/36では、スクラッチからトレーニングを上回ります。 トレーニングデータの半分と従来の手法の6倍の圧縮比を用いて,最先端の復元精度を実現する潜在条件付きフローマッチングフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-30T00:16:55Z)
• An Efficient Occupancy World Model via Decoupled Dynamic Flow and Image-assisted Training [50.71892161377806]
  DFIT-OccWorldは、分離されたダイナミックフローとイメージアシストトレーニング戦略を活用する、効率的な3D占有世界モデルである。 提案モデルでは, 静止ボクセルはポーズ変換により容易に得られるのに対し, 既存のボクセルフローを用いて既存の観測を歪曲することで, 将来のダイナミックボクセルを予測できる。
  論文  参考訳（メタデータ） (2024-12-18T12:10:33Z)
• 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)
• EWMoE: An effective model for global weather forecasting with mixture-of-experts [6.695845790670147]
  本研究では,地球規模の天気予報に有効なモデルであるEWMoEを提案する。 本モデルは,3次元絶対位置埋め込み,Mixture-of-Experts層,および2つの特定の損失関数の3つの重要な要素を組み込んで予測精度を向上させる。
  論文  参考訳（メタデータ） (2024-05-09T16:42:13Z)
• Analyzing and Exploring Training Recipes for Large-Scale Transformer-Based Weather Prediction [1.3194391758295114]
  比較的オフ・ザ・シェルフアーキテクチャ、簡単な訓練手順、適度な計算予算でも高い予測能力が得られることを示す。 具体的には、ERA5データに基づいて最小修正SwinV2変換器をトレーニングし、IFSと比較すると優れた予測技術が得られることを確かめる。
  論文  参考訳（メタデータ） (2024-04-30T15:30:14Z)
• Federated Prompt Learning for Weather Foundation Models on Devices [37.88417074427373]
  天気予報のためのデバイス上のインテリジェンスでは、ローカルなディープラーニングモデルを使用して、集中型クラウドコンピューティングなしで気象パターンを分析する。 本稿では,FedPoD(Federated Prompt Learning for Weather Foundation Models on Devices)を提案する。 FedPoDは、通信効率を維持しながら、高度にカスタマイズされたモデルを得ることができる。
  論文  参考訳（メタデータ） (2023-05-23T16:59:20Z)

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。