論文の概要: IMPACT: Inverter-Informed Multimodal Learning for Photovoltaic Generation Forecasting

• arxiv url: http://arxiv.org/abs/2610.40418v1
• Date: Thu, 29 Oct 2026 16:44:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.53975
• Title: IMPACT: Inverter-Informed Multimodal Learning for Photovoltaic Generation Forecasting
• Title（参考訳）: IMPACT:太陽光発電予測のためのインバータインフォーム型マルチモーダル学習
• Abstract要約: 本研究は,10～110分間の確率的光起電力予測のための物理インフォームド多モードディープラーニングフレームワークを開発する。 予測モデルは、植物レベルの時間的履歴とインバータレベルの空間的雲力学を別々にエンコードする4分岐アーキテクチャに基づいて構築されている。 提案したモデルは14のベースラインすべてより優れており、予測スキルスコア(FSS)は0.2950, 0.099で、次のベストモデルよりも高い。
• 参考スコア（独自算出の注目度）: 3.8041613330926203
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This work develops a physics-informed multimodal deep learning framework for 10- to 110-minute-ahead probabilistic photovoltaic power forecasting. The forecasting model is built on a four-branch architecture that separately encodes plant-level temporal history and inverter-level spatial cloud dynamics through a graph attention encoder with a learned adjacency, known-future solar geometry, and the current meteorological state, fused through gated cross-attention. The geometry branch adds two forward-looking physical signals, spatial cloud heterogeneity and inverter ramp-down activity, each empirically weighted toward the horizon where it is most predictive. The decoder anchors its prediction to a smart persistence baseline, learning a horizon-conditioned correction, and the resulting quantile forecasts are calibrated online through a kernel-weighted adaptive conformal calibration step. The proposed model outperforms all 14 baselines, achieving a forecast skill score (FSS) of 0.2950, 0.099 above the next-best model. A branch-composition ablation shows that every branch contributes positively and the model retains substantial skill in challenging overcast and variable sky conditions (FSS 0.198 and 0.255).
• Abstract（参考訳）: 本研究は,10～110分間の確率的光起電力予測のための物理インフォームド多モードディープラーニングフレームワークを開発する。 予測モデルは、植物レベルの時間的履歴とインバータレベルの空間雲ダイナミクスを、学習された隣接性、既知の太陽幾何学、そして現在の気象状態を持つグラフアテンションエンコーダを通じて、別々に符号化する4ブランチアーキテクチャに基づいて構築される。 幾何学分枝は、2つの前方に見える物理信号、空間雲の不均一性とインバータランプダウンのアクティビティを追加し、それぞれが最も予測可能な地平線に向かって実証的に重み付けされている。 デコーダは、その予測をスマート永続ベースラインに固定し、水平条件付き補正を学習し、その結果の量子予測を、カーネル重み付き適応整合校正ステップを介してオンラインに校正する。 提案したモデルは14のベースラインすべてより優れており、予測スキルスコア(FSS)は0.2950, 0.099で、次のベストモデルよりも高い。 分岐合成アブレーションは、各分岐が正に寄与し、モデルがオーバーキャストと可変空条件(FSS 0.198, 0.255)に挑戦する重要なスキルを保っていることを示している。

関連論文リスト

• An adaptive and evolvable deep reinforcement learning framework for weather prediction [13.149261428761307]
  FTAE-Weatherは、深い強化学習を通じて、いつ、どこで、予測者のオープンプールの各メンバーを信頼するかを学ぶ軽量フレームワークである。 RMSEを17.2%から78.3%に減らし、10の大気変数で最高の個人モデルに匹敵する。 リードタイムの72時間から360時間にわたって従来のアンサンブルベースラインを上回っている。
  論文  参考訳（メタデータ） (2026-07-07T09:21:23Z)
• PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
  既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。 我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。 本手法は,結合予測システムの長期安定性を著しく向上させる。
  論文  参考訳（メタデータ） (2026-05-09T13:12:33Z)
• On Neural Scaling Laws for Weather Emulation through Continual Training [76.70310203875866]
  我々はScientific Machine Learningにおけるニューラルスケーリングについて研究し、天気予報モデルに焦点を当てた。 可能な限り簡単な設定でスケーリング動作を解析するために、最小限でスケーラブルで汎用的なSwin Transformerアーキテクチャを採用する。 この最小限の方法でトレーニングされたモデルは、予測可能なスケーリングトレンドに従っており、標準的なコサイン学習率のスケジュールよりも優れています。
  論文  参考訳（メタデータ） (2026-03-26T17:37:25Z)
• Cloud-Edge Collaborative Large Models for Robust Photovoltaic Power Forecasting [10.936533381499016]
  本稿では,PV予測のための条件適応型クラウドエッジ協調フレームワーク*CAPE*を提案する。 CAPE*は3つの主要なモジュールから構成される: ルーチン予測のためのサイト固有のエキスパートモデル、局所推論を強化する軽量エッジサイドモデル、クラウドベースの大規模検索モデル。 2つの実世界のPVデータセットの実験では、*CAPE*は精度、堅牢性、ルーティング品質、システム効率の予測において優れたパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2026-03-21T20:09:22Z)
• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• FourCastNet 3: A geometric approach to probabilistic machine-learning weather forecasting at scale [91.84761739154366]
  FourCastNet 3は、確率的アンサンブル予測にスケーラブルで幾何学的な機械学習(ML)アプローチを実装することで、グローバルな気象モデリングを推進している。 FourCastNet 3は、従来のアンサンブルモデルを上回る予測精度を提供し、最良の拡散ベースのメソッドに匹敵する。 その計算効率、中距離確率的スキル、スペクトルの忠実度、およびサブシーズンタイムスケールでのロールアウト安定性は、大規模なアンサンブル予測を通じて気象予知と早期警報システムを改善するための強力な候補となる。
  論文  参考訳（メタデータ） (2025-07-16T11:22:18Z)
• Inferring Thunderstorm Occurrence from Vertical Profiles of Convection-Permitting Simulations: Physical Insights from a Physical Deep Learning Model [0.0]
  雷雨は激しい降水量、干ばつ、雷、強い風のために、社会と経済に大きな影響を及ぼす。 我々は,10の大気変数の垂直プロファイルから雷雨の発生確率を直接推定する深層ニューラルネットワークSALAMA 1Dを開発した。
  論文  参考訳（メタデータ） (2024-09-30T08:40:28Z)

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。