Компьютерные науки > Машинное обучение [представлено 10 сентября 2026 года] Название: Двунаправленный мультимодальный футинг неба и часовые работы для прогнозирования солнечной энергии с использованием больших языковых моделей Вид HTML (экспериментальное) резюме: Питационная мощность и глобальные прогнозы горизонтального излучения (ГИО) имеют важное значение для эффективного диспетчерского, резервного планирования и функционирования сетей. На этих горизонтах прогнозирования ошибки обусловлены главным образом аппарелями облаков: полагаясь исключительно на исторические цифровые данные, можно с трудом предвосхищать приближающееся облако, делая изображения небесного базирования важнейшим дополнительным физическим сигналом. Кроме того, эффективность прогнозов в значительной степени зависит от местоположения и местных условий наблюдения, что создает серьезную потребность в данных по конкретным участкам, которые зачастую являются ограниченными. В последнее время крупные языковые модели (МПМ) продемонстрировали конкурентоспособность и высокую эффективность данных при прогнозировании временных рядов. Несмотря на их успех, существующие методы прогнозирования, основанные на МУЗ, по-прежнему в основном являются одновидовыми и основываются главным образом на данных прошлых рядов динамики. Эффективное включение снимков неба в систему прогнозирования на основе LLM остается недостаточно изученной и открытой задачей. В этом документе мы предлагаем SolCloudLM, систему мультимодального…
Двунаправленное мультимодальное использование неба и часовых полей для прогнозирования солнечной энергии с использованием моделей большого языка
arXiv:2609.111335v1 Для эффективного отправки, планирования резервных запасов и эксплуатации сетей необходимы прогнозы в отношении краткосрочной фотоэлектрической (PV) мощности и глобального горизонтального излучения. На этих горизонтах прогнозирования ошибки обусловлены главным образом аппарелями облаков: полагаясь исключительно на исторические цифровые данные, можно с трудом предвосхищать приближающееся облако, делая изображения небесного базирования важнейшим дополнительным физическим сигналом. Кроме того, эффективность прогнозов в значительной степени зависит от местоположения и местных условий наблюдения, что создает серьезную потребность в данных по конкретным участкам, которые зачастую являются ограниченными. В последнее время крупные языковые модели (МПМ) продемонстрировали конкурентоспособность и высокую эффективность данных при прогнозировании временных рядов. Несмотря на их успех, существующие методы прогнозирования, основанные на МУЗ, по-прежнему в основном являются одновидовыми и основываются главным образом на данных прошлых рядов динамики. Эффективное включение снимков неба в систему прогнозирования на основе LLM