GTC: 구름 위의 디퓨전
여기에서 태양광 에너지 예측을 위한 디퓨전 모델 학습을 시작하는 데 필요한 모든 핵심 정보를 확인할 수 있습니다. 이 글은 AI 번역본입니다. 오역이 의심되면 댓글로 알려 주세요.
Created on September 12|Last edited on September 12
Comment
재생에너지(RES)의 대규모 보급은 2050년까지 탄소 중립을 달성하고 지구 온난화를 +1.5 °C로 제한하는 데 핵심적입니다. 이러한 저탄소 에너지원은 온실가스를 배출하는 화석연료 대비 비용 경쟁력이 점점 높아지고 있습니다. 그러나 기상 조건에 대한 의존성 때문에 에너지 가치 사슬 전반에서 상당한 과제가 발생합니다.
요약: 모델을 학습하는 코드 여기에 있습니다 👈
GTC 세션
스테디선태양광 에너지 예측 기업
Steadysun은 2013년에 INES(프랑스 국립 태양에너지 연구소)의 스핀오프로 설립된 프랑스 기업으로, 날씨 변동성에 따른 위험과 비용을 줄이면서 재생에너지(RES)의 전력 시스템 통합을 촉진하기 위해 신뢰할 수 있고 실행 가능한 정보를 API를 통해 제공하는 SaaS 솔루션을 제공합니다. 팀은 기상·기후, 재생에너지, AI, 웹 서비스 분야의 전문성을 갖춘 20명의 고급 박사 및 엔지니어로 구성되어 있습니다.
Steadysun은 다음의 회원입니다 NVIDIA Inception, 세계 각지의 스타트업이 최신 기술과 NVIDIA 전문가의 지원을 통해 더 빠르게 성장할 수 있도록 설계된 글로벌 프로그램입니다.
💡
Steadysun 더 알아보기
데이터셋
다음 스크립트를 사용하여 Cloud Diffusion 모델 학습에 사용할 데이터셋을 다운로드할 수 있습니다:
"Downloads dataset from wandb artifact"DATASET_ARTIFACT_SMALL = 'capecape/gtc/np_dataset:v0'DATASET_ARTIFACT_LARGE = 'capecape/gtc/np_dataset:V1'. #twice the sequences by combining 2 bands.with wandb.init(job_type="download_dataset"):artifact = wandb.use_artifact(DATASET_ARTIFACT, type='dataset')artifact_dir = artifact.download()
Cloud Diffusion 이해하기
Diffusion on the Clouds: Short-term solar energy forecasting with Diffusion Models
Using diffusion models to predict cloud movement on satellite imagery to forecast solar energy production
Next Frame Prediction Using Diffusion: The fastai Approach
In this article, we look at how to use diffusion models to predict the next frame on a sequence of images, and we iterate fast over the MovingMNIST dataset.
Using Stable Diffusion VAE to encode satellite images
We take the pretrained Stable Diffusion Variable Auto Encoder (VAE) to represent satellite imagery into latent space.
How To Train a Conditional Diffusion Model From Scratch
In this article, we look at how to train a conditional diffusion model and find out what you can learn by doing so, using W&B to log and track our experiments.
코드
발표자
- 토마스 카펠레는 Weights & Biases의 머신러닝 엔지니어로, 그로스 팀에서 일하고 있습니다. fastai 라이브러리 기여자이자 wandb/examples 리포지토리의 메인테이너입니다. 그는 MLOps, 산업 현장에서의 wandb 활용, 그리고 전반적인 재미있는 딥러닝에 집중하고 있습니다. 이전에는 SteadySun에서 태양광 단기 예측 문제를 딥러닝으로 해결했습니다. 도시계획, 조합최적화, 교통경제학, 응용수학을 배경으로 가지고 있습니다.
- ISAE‑Supaero(프랑스 항공우주 공학 명문)에서 졸업한 뒤, 제가 쌓은 지구 관측 지식을 바탕으로 환경 보호에 기여하고자 했습니다. 그런 이유로 지난 2년간 Steadysun에서 예측 시스템의 위성 부문 R&D 엔지니어로 일하고 있습니다. Steadysun에서는 기상 변동성으로 인한 비용과 리스크를 줄이면서 태양에너지를 전력 시스템에 원활하게 통합할 수 있도록 제품을 개발하고 서비스를 제공합니다. 이를 통해 우리는 전력 가치사슬 전반의 이해관계자들이 프로젝트 전 주기에 걸쳐 성공할 수 있도록 지원합니다. 당사는 2013년부터 에너지 전환을 가속화하기 위한 솔루션을 설계하고 혁신적인 제품을 개발해 왔습니다.
Add a comment