Attention-based postprocessing of ensemble weather forecasts for renewable energy applications by leveraging inter-ensemble relationships of multiple predictors
Notice bibliographique
Résumé
Indirect models for renewable energy forecasting rely heavily on accurate weather predictions. Operational weather forecasting today is mainly based on numerical weather prediction models, often employing ensembles to estimate the day-to-day forecast uncertainty. To correct for errors due to simplifications in these models, inaccurate initial conditions, and representativeness problems, statistical postprocessing becomes necessary for these ensemble forecasts. Current postprocessing techniques often disregard possible inter-ensemble relationships by correcting each member separately, or employ a distributional approach that requires extra multivariate methods to restore spatio-temporal and inter-variable correlations. In this work, we tackle these shortcomings with an innovative, attention-based member-by-member approach which postprocesses each member individually while simultaneously integrating information from other ensemble members. Variables required for renewable energy forecasting are postprocessed at the station level by regressing ensemble forecasts of multiple predictors, including the forecasted variable itself, against observational data. The training data utilized is sourced from the EUPPBench dataset, which contains ensemble predictions from the integrated forecasting system of the ECMWF and corresponding observations. Transformer modules built around Self-Attention are employed to capture dependencies between different predictors, such as temperature and total cloud cover, next to significant relationships between the ensemble members themselves. Additionally, our model postprocesses the forecasts for all lead times simultaneously, taking into account the correlation between the postprocessed variable and  forecasts generated at earlier and later lead times. This results in postprocessing techniques that can be employed in downstream applications for conversion to renewable energy forecasts.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».