Buchumschlag

Physics-Informed State Space Models for Reliable Solar Irradiance Forecasting in Off-Grid Systems

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
1. Verfasser:	Abdullah, Mohammed Ezzaldin Babiker
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning Artificial Intelligence Systems and Control
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Thermodynamic Liquid Manifold Networks: Physics-Bounded Deep Learning for Solar Forecasting in Autonomous Off-Grid Microgrids
von: Abdullah, Mohammed Ezzaldin Babiker
Veröffentlicht: (2026)

Outperforming Self-Attention Mechanisms in Solar Irradiance Forecasting via Physics-Guided Neural Networks
von: Abdullah, Mohammed Ezzaldin Babiker, et al.
Veröffentlicht: (2026)

Asymmetric-Loss-Guided Hybrid CNN-BiLSTM-Attention Model for Industrial RUL Prediction with Interpretable Failure Heatmaps
von: Abdullah, Mohammed Ezzaldin Babiker
Veröffentlicht: (2026)

Reliable Grid Forecasting: State Space Models for Safety-Critical Energy Systems
von: Hong, Sunki, et al.
Veröffentlicht: (2026)

Stable-by-Design Neural Network-Based LPV State-Space Models for System Identification
von: Sertbaş, Ahmet Eren, et al.
Veröffentlicht: (2025)

On-Meter Graph Machine Learning: A Case Study of PV Power Forecasting for Grid Edge Intelligence
von: Huang, Jian, et al.
Veröffentlicht: (2026)

SOLIS: Physics-Informed Learning of Interpretable Neural Surrogates for Nonlinear Systems
von: Mansur, Murat Furkan, et al.
Veröffentlicht: (2026)

Naga: Vedic Encoding for Deep State Space Models
von: Schaller, Melanie, et al.
Veröffentlicht: (2025)

PowerModelsGAT-AI: Physics-Informed Graph Attention for Multi-System Power Flow with Continual Learning
von: Ezeakunne, Chidozie, et al.
Veröffentlicht: (2026)

Understanding the differences in Foundation Models: Attention, State Space Models, and Recurrent Neural Networks
von: Sieber, Jerome, et al.
Veröffentlicht: (2024)

Optimal Power Grid Operations with Foundation Models
von: Puech, Alban, et al.
Veröffentlicht: (2024)

Multivariate Physics-Informed Convolutional Autoencoder for Anomaly Detection in Power Distribution Systems with High Penetration of DERs
von: Zideh, Mehdi Jabbari, et al.
Veröffentlicht: (2024)

Synergies between Federated Foundation Models and Smart Power Grids
von: Hosseinalipour, Seyyedali, et al.
Veröffentlicht: (2025)

Conformal Off-Policy Evaluation in Markov Decision Processes
von: Foffano, Daniele, et al.
Veröffentlicht: (2023)

Latency-Aware Deep Learning Benchmark for Real-Time Cyber-Physical Attack and Fault Classification in Inverter-Dominated Power Grids
von: Abukhousa, Emad, et al.
Veröffentlicht: (2026)

Combining Physics-based and Data-driven Modeling for Building Energy Systems
von: Von Krannichfeldt, Leandro, et al.
Veröffentlicht: (2024)

Multi-Objective Reinforcement Learning for Power Grid Topology Control
von: Lautenbacher, Thomas, et al.
Veröffentlicht: (2025)

Deep Analysis of Time Series Data for Smart Grid Startup Strategies: A Transformer-LSTM-PSO Model Approach
von: Zhang, Zecheng
Veröffentlicht: (2024)

A Review of Physics-Informed Machine Learning Methods with Applications to Condition Monitoring and Anomaly Detection
von: Wu, Yuandi, et al.
Veröffentlicht: (2024)

RL in Latent MDPs is Tractable: Online Guarantees via Off-Policy Evaluation
von: Kwon, Jeongyeol, et al.
Veröffentlicht: (2024)

Leveraging the Potential of Novel Data in Power Line Communication of Electricity Grids
von: Balada, Christoph, et al.
Veröffentlicht: (2022)

Engineering Hybrid Physics-Informed Neural Networks for Next-Generation Electricity Systems: A State-of-the-Art Review
von: Nyangon, Joseph
Veröffentlicht: (2026)

Input-to-State Stable Coupled Oscillator Networks for Closed-form Model-based Control in Latent Space
von: Stölzle, Maximilian, et al.
Veröffentlicht: (2024)

Imitation Learning for Intra-Day Power Grid Operation through Topology Actions
von: de Jong, Matthijs, et al.
Veröffentlicht: (2024)

PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis
von: He, Xinyu, et al.
Veröffentlicht: (2025)

Optimizing Power Grid Topologies with Reinforcement Learning: A Survey of Methods and Challenges
von: van der Sar, Erica, et al.
Veröffentlicht: (2025)

Characterizing State Space Model and Hybrid Language Model Performance with Long Context
von: Mitra, Saptarshi, et al.
Veröffentlicht: (2025)

FaultExplainer: Leveraging Large Language Models for Interpretable Fault Detection and Diagnosis
von: Khan, Abdullah, et al.
Veröffentlicht: (2024)

Operational Wind Speed Forecasts for Chile's Electric Power Sector Using a Hybrid ML Model
von: Suri, Dhruv, et al.
Veröffentlicht: (2024)

Towards Efficient Multi-Objective Optimisation for Real-World Power Grid Topology Control
von: Manyari, Yassine El, et al.
Veröffentlicht: (2025)

A Deep Q-Learning based Smart Scheduling of EVs for Demand Response in Smart Grids
von: Chifu, Viorica Rozina, et al.
Veröffentlicht: (2024)

Physically Plausible Multi-System Trajectory Generation and Symmetry Discovery
von: Liu, Jiayin, et al.
Veröffentlicht: (2025)

Hierarchical Testing with Rabbit Optimization for Industrial Cyber-Physical Systems
von: Hu, Jinwei, et al.
Veröffentlicht: (2025)

Sample-Efficient Diffusion-based Control of Complex Physics Systems
von: Chen, Hongyi, et al.
Veröffentlicht: (2025)

Multi-Modal Drift Forecasting of Leeway Objects via Navier-Stokes-Guided CNN and Sequence-to-Sequence Attention-Based Models
von: Adesunkanmi, Rahmat K., et al.
Veröffentlicht: (2025)

Graph Embedding Dynamic Feature-based Supervised Contrastive Learning of Transient Stability for Changing Power Grid Topologies
von: Lv, Zijian, et al.
Veröffentlicht: (2023)

Reliability and Effectiveness of Autonomous AI Agents in Supply Chain Management
von: Long, Carol Xuan, et al.
Veröffentlicht: (2026)

Learnable Koopman-Enhanced Transformer-Based Time Series Forecasting with Spectral Control
von: Forootani, Ali, et al.
Veröffentlicht: (2026)

DIAL: Distribution-Informed Adaptive Learning of Multi-Task Constraints for Safety-Critical Systems
von: Yoo, Se-Wook, et al.
Veröffentlicht: (2025)

Time-o1: Time-Series Forecasting Needs Transformed Label Alignment
von: Wang, Hao, et al.
Veröffentlicht: (2025)