SPIRIT: Short-term Prediction of solar IRradIance for zero-shot Transfer learning using Foundation Models

要約

従来のソーラー予測モデルは、数年のサイト固有の歴史的放射照度データに基づいており、多くの場合5年以上にわたって、新しい太陽光発電農場では利用できません。
再生可能エネルギーは非常に断続的であるため、効率的なグリッド管理と太陽エネルギーの継続的な増殖を可能にするためには、正確な太陽放射照射予測システムの構築が不可欠です。これは、国連の純ゼロ目標を達成するために重要です。
この作業では、Spiritを提案します。Spiritは、太陽光発射予測の基礎モデルを活用する新しいアプローチであり、新しい太陽光発電に適用できるようにします。
当社のアプローチは、ゼロショット転送学習の最先端のモデルよりも約70％優れているため、過去のデータに依存することなく、新しい場所で効果的なパフォーマンスを可能にします。
より多くの場所固有のデータが利用可能になるにつれて、微調整によりパフォーマンスのさらなる改善が達成されます。
これらの発見は、統計的有意性によって裏付けられており、アプローチをさらに検証します。
スピリットは、迅速でスケーラブルで適応性のある太陽の予測ソリューションに向けた極めて重要なステップを表し、再生可能エネルギーのグローバルな電力システムへの統合を進めます。

要約(オリジナル)

Traditional solar forecasting models are based on several years of site-specific historical irradiance data, often spanning five or more years, which are unavailable for newer photovoltaic farms. As renewable energy is highly intermittent, building accurate solar irradiance forecasting systems is essential for efficient grid management and enabling the ongoing proliferation of solar energy, which is crucial to achieve the United Nations’ net zero goals. In this work, we propose SPIRIT, a novel approach leveraging foundation models for solar irradiance forecasting, making it applicable to newer solar installations. Our approach outperforms state-of-the-art models in zero-shot transfer learning by about 70%, enabling effective performance at new locations without relying on any historical data. Further improvements in performance are achieved through fine-tuning, as more location-specific data becomes available. These findings are supported by statistical significance, further validating our approach. SPIRIT represents a pivotal step towards rapid, scalable, and adaptable solar forecasting solutions, advancing the integration of renewable energy into global power systems.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google