Oct, 2018

深度光伏预报

PDF
TL;DR本文提出通过深度学习，学习天空外观与未来光伏发电功率之间的关系，并将历史光伏发电功率值和天空图像作为输入，利用多层感知器、卷积神经网络和长短期记忆模型三种不同的体系结构，建立短期预测模型，从而实现对 1 分钟后光伏发电功率的预测，结果表明，基于 LSTM 模型的预测精度最高。
photovoltaic panelshort-term forecastingsky imagesdeep learningtemporal dependencies
发现论文，激发创造
  • 卷积神经网络应用于天空图像，用于短期太阳辐射预测

    本文介绍了使用深度卷积神经网络预测太阳能辐射强度的初步结果，并探讨了训练算法的图像识别技术，和利用过去相同日期数据进行训练以提高短期预测技能的方法。

    May, 2020

  • 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

  • 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

  • Omnivision 预测：将卫星观测和天空图像相结合，以提高小时内太阳能预测的准确性

    通过整合来自全天候摄像头和卫星观测的云覆盖率补充信息，本研究利用机器学习将两种信息融合起来，提高了日照预报的准确性。结果表明，混合模型对于晴朗天气的预测效果更好，同时也提高了更长期的预测能力。

    Jun, 2022

  • 利用历史发电和天气数据的分层时序卷积神经网络进行区域光伏日前功率预测

    本文提出了两种基于深度学习的区域太阳能发电预测方法，分别使用单一分层时序卷积神经网络和基于子区域的时序卷积神经网络，通过利用聚合和个体数据，以及区域内的天气数据进行预测。利用 101 个西澳大利亚地点收集的大量数据进行评估，与其他方法相比，子区域时序卷积神经网络在减少个体网络数量的同时，能够以 40.2% 的预测技巧得分降低 6.5% 的统计显著误差。

    Mar, 2024

  • SkyGPT：使用受物理约束的 VideoGPT 合成的天空视频进行概率短期太阳能预测

    本研究提出了一种名为 SkyGPT 的物理学指导下的随机视频预测模型，能够产生多个可能的未来图像，并且通过将其应用于太阳能预测中，能够实现更好的太阳能输出预测可靠性和锐度。

    Jun, 2023

  • 基于天空成像的太阳辐照度预测与机器学习

    本文提出了一种新的方法，通过从天空图像中提取特征并使用基于学习的技术来估计短期太阳辐照度，实现了对可再生能源的预测，该方法在计算复杂性方面比现有的算法具有更高的竞争力。

    Oct, 2023

  • 使用递归卷积深度学习实现无缝闪电预报

    通过收集有关雷达数据、卫星数据、天气预报数据和数字高程模型数据，使用循环卷积神经网络模型实现了更精准的雷电预报模型，实现了 8 公里内未来 60 分钟闪电的预测。

    Mar, 2022

  • 基于聚类的多任务深度神经网络用于太阳能光伏发电预测

    本文提出了一种基于聚类的多任务深度神经网络（CM-DNN）框架，用于预测光伏发电量。通过应用 K-means 算法将数据聚类为不同的客户类型，并为每个类型采用深度神经网络进行训练，然后进行模型知识传输以提高目标任务的训练准确性。通过对真实世界光伏发电数据集的测试，证明了该方法在预测性能上优于无聚类的单一模型。

    May, 2024

  • 用于极短期太阳能预测、云分析和建模的开源地基天空图像数据集：综述

    该研究对短期（预测时间少于 30 分钟）太阳能预测的数据集进行了综合调查，并开发了基于八个维度的多标准排名系统，以评估调查的数据集。同时，介绍了与阳光能预测相关的其他研究领域和使用这些数据集的不同应用。

    Nov, 2022