論文の概要: Uncertainty-Aware Joint Generative Modeling of Fault Event Sequences and Sensor Time Series in Solar PV Plants

• arxiv url: http://arxiv.org/abs/2611.01425v1
• Date: Sun, 01 Nov 2026 02:07:45 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:05:50.497609
• Title: Uncertainty-Aware Joint Generative Modeling of Fault Event Sequences and Sensor Time Series in Solar PV Plants
• Title（参考訳）: 太陽光発電プラントにおける異常事象系列とセンサ時系列の不確実性を考慮した共同生成モデル
• Abstract要約: 本稿では,太陽エネルギープラントシステムの予測保守と故障予測のためのマルチモーダル生成モデルを提案する。 本稿では,イベントシーケンスと時系列データの両方を活用することで,条件付き生成によるシステム生成を向上する手法を提案する。
• 参考スコア（独自算出の注目度）: 10.057019748656874
• License:
• Abstract: This paper presents a multimodal generative model designed to simulate a solar energy plant system for predictive maintenance and fault prediction. We propose a novel approach to enhance system generation through conditional generation by leveraging both event sequences and time-series data and improve next event prediction. The framework employs a Transformer Hawkes Process (THP) to encode event data and an iTransformer to encode time-series data, integrated via a co-attention mechanism that effectively captures cross-modal dependencies between discrete events and continuous signals. From these integrated representations, we employ two specialized decoders for simulation: a Conditional Latent Diffusion Model (CLDM) for modeling future sensor trajectories and the Score Matching-based UnceRtainty quantiFication for Transformer Hawkes Process (SMURF-THP) for high-fidelity event prediction. This dual-decoder strategy supports uncertainty-aware, history-conditioned simulation by rolling the model forward for a specified number of generation iterations, producing finite stochastic scenarios rather than deterministic extrapolations over the full observational record. Evaluated on a comprehensive dataset from the Red Rock Solar Site in Arizona, our approach improves aggregate event-prediction F1 relative to baselines and supports applications in predictive maintenance, fault detection, and energy optimization for solar power systems.
• Abstract（参考訳）: 本稿では,太陽エネルギープラントシステムの予測保守と故障予測のためのマルチモーダル生成モデルを提案する。 イベントシーケンスと時系列データの両方を活用することで,条件付き生成によるシステム生成を向上し,次回のイベント予測を改善する新しい手法を提案する。 このフレームワークでは、イベントデータをエンコードするTransformer Hawkes Process(THP)と、イベントと連続信号間の相互依存を効果的にキャプチャするコアテンション機構を介して統合された時系列データをエンコードするiTransformerを使用している。 これらの統合表現から、将来のセンサトラジェクトリをモデル化するための条件付き潜在拡散モデル(CLDM)と、高忠実度事象予測のためのトランスフォーマーホークプロセス(SMURF-THP)のためのスコアマッチングベースのUnceRtainty QuantiFication(UnceRtainty QuantiFication)の2つの専用デコーダを用いてシミュレーションを行う。 このデュアルデコーダ戦略は、不確実性を意識した履歴条件付きシミュレーションをサポートし、モデルを所定の数の生成イテレーションに向けて前進させ、完全な観測記録上の決定論的外挿よりも有限確率シナリオを生成する。 アリゾナ州のレッドロック・ソーラー・サイト (Red Rock Solar Site) から得られた包括的データセットに基づいて,本手法はベースラインに対する総合的なイベント予測F1を改善し,太陽発電システムの予測保守,故障検出,エネルギー最適化への応用をサポートする。

関連論文リスト

• Inpainting-Style Conditional Diffusion for Multivariable Time Series Forecasting [15.992262494632321]
  本研究では,多時間時系列太陽予測パワーのための条件拡散に基づくフレームワークを提案する。 提案手法は,スライディングウインドウのパッチ構成を用いて,時間PVデータを構造化された2次元表現として再構成する。 GEFCom2014を含むベンチマークPVデータセットで実施された実験は、このアプローチが高い予測精度を達成することを実証している。
  論文  参考訳（メタデータ） (2026-05-27T11:25:28Z)
• LeapTS: Rethinking Time Series Forecasting as Adaptive Multi-Horizon Scheduling [74.94985663101906]
  本稿では,予測地平線上での動的スケジューリングプロセスとして時系列予測を再構成する新しいフレームワーク LeapTSを提案する。 LeapTSは、Transformerベースのモデルよりも2.6$times$から5.3$times$推論スピードアップを実現しつつ、全体的な予測性能を少なくとも7.4%向上させる。
  論文  参考訳（メタデータ） (2026-05-11T09:54:02Z)
• 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)
• EnTransformer: A Deep Generative Transformer for Multivariate Probabilistic Forecasting [0.3262230127283452]
  本研究では,EnTransformerを提案する。Engressionは条件分布をモデル化するための学習パラダイムであり,Transformerの表現型シーケンスモデリング機能を備えている。 提案したEnTransformerは、電気、交通、ソーラー、タクシー、KDD-cup、ウィキペディアのデータセットなど、多変量確率予測に広く利用されているベンチマークで評価する。 実験結果から,EnTransformerは高い校正確率予測を導出し,ベンチマークモデルより一貫して優れていた。
  論文  参考訳（メタデータ） (2026-03-12T13:25:21Z)
• Timer-XL: Long-Context Transformers for Unified Time Series Forecasting [67.83502953961505]
  我々は時系列の統一予測のための因果変換器Timer-XLを提案する。 大規模な事前トレーニングに基づいて、Timer-XLは最先端のゼロショット性能を達成する。
  論文  参考訳（メタデータ） (2024-10-07T07:27:39Z)
• Probabilistic Forecasting of Real-Time Electricity Market Signals via Interpretable Generative AI [41.99446024585741]
  Weak Innovation AutoEncoderをベースとしたGenerative Probabilistic ForecastingアーキテクチャであるWIAE-GPFを提案する。 構造収束を保証する新しい学習アルゴリズムを提案し、生成した予測サンプルが基底真理条件付き確率分布と一致することを保証した。
  論文  参考訳（メタデータ） (2024-03-09T00:41:30Z)
• 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)
• Deep Probabilistic Time Series Forecasting using Augmented Recurrent Input for Dynamic Systems [12.319812075685956]
  我々は、深部生成モデルと状態空間モデル(SSM)の両方の進歩を組み合わせて、新しいデータ駆動の深部確率的シーケンスモデルを考え出す。 特に、リカレントニューラルネットワーク(RNN)を用いた変動配列モデルを構築するために、一般的なエンコーダデコーダ生成構造に従う。 トレーニングと予測の不整合を緩和するために,次のステップでハイブリッド出力を入力として使用することを提案する。
  論文  参考訳（メタデータ） (2021-06-03T23:41:11Z)

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。