卷积神经网络应用于天空图像,用于短期太阳辐射预测
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
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
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。
Oct, 2018
通过降维天空相机图像的标量特征以满足数据传输限制,我们提出了一种用于太阳辐照短期预测的数据简化机器学习模型。经过受控理论的启发,我们使用噪声输入反映未测量的变量,并证明其显著提高了模型的预测能力。利用来自 NREL Solar Radiation Research Laboratory 的五年数据,我们创建了三个滚动训练验证集,确定了时间的最佳表示形式、输入测量的最佳跨度以及最具影响力的模型输入数据(特征)。在选择的测试数据上,与云量持续模型的基准值 134.35 $W/m^2$ 相比,该模型实现了 74.34 $W/m^2$ 的平均绝对误差。
Mar, 2024
本文提出了一种基于 Transformer 的短期太阳辐射预测模型,通过对连续的天空图像进行特征编码,并将其输入 Transformer 解码器,预测与未来未见天空图像相关的辐照值,同时捕捉天空图像之间的长程依赖关系,可实现对所有天空图像数据集在 15 分钟内的辐射预测精度提高至 21.45%,优于智能持久性模型。
May, 2023
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
本文采用深度学习,设计了一个利用卫星数据的时空上下文来高精度预测全球水平辐照度(GHI)的天际时间序列预测模型,并提出了一种预测不确定性分布的方法。作者通过将特别困难的日子(在这项研究中特别是经历变化多端的多云天)与简单的日子分开来评估模型性能,提出了一种测试方案。同时,作者还提出了一个新的多模态数据集,收集了来自多个地理位置不同的太阳能站的太阳能辐射和其他相关物理变量的卫星图像和时间序列。该方法在太阳辐照度预测中表现出鲁棒性,包括在未观测到的太阳能站进行零样本推广测试,并极有潜力促进太阳能与电网的有效整合。
Jun, 2023
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
此研究利用 ConvLSTM 神经网络将天气雷达数据应用于短期降水预测,通过卷积神经网络层进行空间模式识别和 LSTM 网络层进行时间序列建模,构建了一个包含九层的自动编码器模型。结果表明,ConvLSTM 网络在气象预测中有着高准确性,尤其在天气复杂的地区具有显著潜力,为气象任务提供了一种更准确、数据驱动的方法。
Dec, 2023