FusionSF: 融合异质模态的矢量量化框架用于可靠太阳能发电预测

Feb, 2024

FusionSF: 融合异质模态的矢量量化框架用于可靠太阳能发电预测

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

Ziqing Ma, Wenwei Wang, Tian Zhou, Chao Chen, Bingqing Peng...

TL;DR利用历史功率数据、数值天气预报和卫星图像，提出了一个多模态融合框架，显著提高了太阳能功率预测性能，特别适用于新安装的太阳能发电厂。进行了广泛的实验表明，模型在零样本预测和训练数据丰富的场景下不仅具有稳健性，而且提高了准确性，超过了领先模型。已将其整合到 eForecaster 平台，用于超过 300 个装机容量超过 15GW 的太阳能电厂。

Abstract

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 o

solar power forecasting multi-modality fusion framework vector quantized framework zero-shot forecasting multi-modal solar forecasting algorithms

发现论文，激发创造

光伏电力预测基于量子机器学习

通过混合量子神经网络，该研究提出了两种模型来预测太阳能电池板的功率输出，其中第一种模型表现最好，降低了超过 40% 的平均绝对误差和平均平方误差；第二种模型则在没有气象数据的情况下，以比传统模型低出 16% 的平均绝对误差预测光伏功率，展现出量子机器学习在可再生能源领域中的潜在用途。

Dec, 2023

MATNet：基于多级融合和自注意力变换器模型的多变量多步日前光伏发电预测

该研究提出了一种新的基于自注意力转换器的混合方法，称为 MATNet，用于预测多元多步骤日前光伏发电量。MATNet 模型有效地结合了 AI 模型的优势与基于物理知识的模型，以提高光伏预测的准确性。

Jun, 2023

可证明的低质量多模态数据动态融合

本研究提供了一种新的质量感知多模态融合方法，旨在从概率推理的角度解决跨模态相关性和交互性的挑战，并在多个基准测试中验证了其分类准确性和模型鲁棒性的提升。

Jun, 2023

SolNet: 全球光伏发电功率预测的开源深度学习模型

提出 SolNet: 一种新颖的、通用的、多变量的太阳能发电预报模型，通过使用来自 PVGIS 的丰富合成数据进行迁移学习，然后在观测数据上进行微调，解决了太阳能预测中数据匮乏的挑战，并通过荷兰、澳大利亚和比利时的实际生产数据展示了其在预测性能上的优势。

May, 2024

无线通信和传感器网络中多模态数据融合的优化

本文提出了一种基于向量量化变分自编码器架构的多模态数据融合新方法，可以在 MNIST-SVHN 数据和 WiFi 光谱数据之间以及 5G 通信场景下实现卓越的重构性能，并通过端到端 CSI 反馈系统来压缩基站（eNodeB）和用户设备（UE）之间传输的数据，为各种类型的输入数据（CSI，光谱图，自然图像等）学习一个具有区分性的压缩特征空间，是针对计算资源有限的应用的一个合适的解决方案。

Feb, 2023

非参概率风力预测的受约束支持向量分位回归的实证分析

本文通过支持向量机和非线性分位数回归结合非交叉约束的方法，进行了风能非参数概率预测的数值研究，并使用 Global Energy Forecasting Competition 2014 的公开数据进行了案例研究，结果表明该方法能够更准确地进行预测，避免交叉分位数预测的问题。

Mar, 2018

利用变分模态分解的时序融合变压器进行风电功率预测

本研究使用 VMD 分解风力系列和 TFT 模型进行 1 小时、3 小时和 6 小时的预测，结果表明 VMD 优于其他分解算法，而 TFT 模型优于其他分解模型。

Feb, 2023

风能和光伏电力预测中的迁移学习模型选择、适应和组合

通过在计算机视觉领域的研究成果的基础上，针对可再生能源进行模型选择和适应的全面实验表明，将多个模型组合起来可以显著提高模型选择和适应方法，并使用神经网络提取特征，并采用贝叶斯线性回归方法进行预测，而只需 7 天的训练数据即可胜过基线。

Apr, 2022

利用多模态框架进行全球灾害预测的多样数据驱动

随着气候变化加剧，准确的全球规模灾害预测变得迫切。本研究提出了一种新颖的多模态灾害预测框架，结合了天气统计数据、卫星图像和文本洞察。我们特别关注 “洪水” 和 “滑坡” 的预测，因为它们与气象和地形因素相关。该模型基于现有数据精心设计，并实施策略来解决类别不平衡问题。虽然我们的研究结果表明，整合多种数据来源可以提升模型性能，但增强程度因每种灾害的特性和其独特的根本原因而有所不同。

Sep, 2023

遥感中多源和多时相数据融合

本文总结了多个研究社区关于多源、多时间数据融合方法的进展，为不同层次（例如学生、研究人员和高级研究人员）的研究者提供了充足的细节和参考，以便于他们在这个具有挑战性的课题上进行新的调查。

Dec, 2018