FusionSF: Fuse Heterogeneous Modalities in a Vector Quantized Framework for Robust Solar Power Forecasting

要約

太陽光発電所を電力網に統合し、計画を立てて電力網の安全性を確保するには、正確な太陽光発電予測が不可欠です。
この問題は、十分なデータが不足している新しく設置された太陽光発電所にとってはより困難になります。
現在の研究は主に過去の太陽光発電データや単一モダリティ形式の数値天気予報に依存しており、さまざまなモダリティで提供される補完的な情報は無視されています。
この論文では、過去の電力データ、数値天気予報、衛星画像を統合し、予測パフォーマンスを大幅に向上させるマルチモダリティ融合フレームワークを提案します。
モダリティをさまざまな情報密度に合わせて調整し、十分な情報の統合とモデルの過剰適合の回避との間でバランスをとる、ベクトル量子化フレームワークを導入します。
当社のフレームワークは、強力なゼロショット予測機能を実証しており、新しく設置されたプラントに特に役立ちます。
さらに、マルチモーダル太陽光発電予測アルゴリズムの研究をさらに推進するために、実世界のプラントからマルチモーダル太陽光発電（MMSP）データセットを収集および公開しています。
私たちの広範な実験により、私たちのモデルは堅牢に動作するだけでなく、ゼロショット予測とトレーニング データが豊富なシナリオの両方で精度が向上し、主要なモデルを上回っていることが示されています。
当社はこれを eForecaster プラットフォームに組み込み、15GW を超える容量を持つ 300 以上の太陽光発電所に導入しました。

要約(オリジナル)

Accurate solar power forecasting is crucial to integrate photovoltaic plants into the electric grid, schedule and secure the power grid safety. This problem becomes more demanding for those newly installed solar plants which lack sufficient data. Current research predominantly relies on historical solar power data or numerical weather prediction in a single-modality format, ignoring the complementary information provided in different modalities. In this paper, we propose a multi-modality fusion framework to integrate historical power data, numerical weather prediction, and satellite images, significantly improving forecast performance. We introduce a vector quantized framework that aligns modalities with varying information densities, striking a balance between integrating sufficient information and averting model overfitting. Our framework demonstrates strong zero-shot forecasting capability, which is especially useful for those newly installed plants. Moreover, we collect and release a multi-modal solar power (MMSP) dataset from real-world plants to further promote the research of multi-modal solar forecasting algorithms. Our extensive experiments show that our model not only operates with robustness but also boosts accuracy in both zero-shot forecasting and scenarios rich with training data, surpassing leading models. We have incorporated it into our eForecaster platform and deployed it for more than 300 solar plants with a capacity of over 15GW.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google