太阳黑子数量预测的非深度学习、深度学习和集成学习方法比较研究
使用深度卷积神经网络通过cubed-sphere重新映射,改进CNN架构并在预测序列中优化损失函数,实现了更准确的天气预报,能够以几周或更长的时段内实现不断稳定的天气预报,并在短 - 中程预报中显著优于其他方法。
Mar, 2020
本文利用三个异构数据集探索了太阳能预测模型的三种不同训练策略,并比较了局部模型和全局模型的性能,结果表明预训练模型在少量训练数据下可以优于其他两种策略。
Nov, 2022
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
本文针对研究低轨道物体受热层密度影响,提出优化以Space Environment Technologies(SET)为基础的$F_{10.7cm}$预测的方法,使用神经网络集成、多层感知器和长短期记忆等模型,其中最佳模型为组合多步预测和动态预测的集成方法,相较于基线,均方根误差相对提升在45%至55%间。
Jun, 2023
利用SoHO/EIT和SDO/AIA 171 Å调查的时间重叠,训练了一组深度学习模型,用于创建两个太阳循环期间极紫外图像的单一均匀调查,通过'Approximate Bayesian Ensembling'方法生成模型集合,展示了模型集合对预测的巨大价值,并展示了在训练数据中未很好表示的测试数据中较高的不确定性。
Aug, 2023
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
通过评估后处理方法在模型链方法中的应用策略,我们的研究旨在系统地评估不应用任何后处理,仅在转换之前对辐照度预测进行后处理,仅对模型链获得的太阳能预测进行后处理或在两个步骤中应用后处理等方法,并且我们提出了一种基于神经网络的直接太阳能预测模型。结果表明,后处理显著改善了太阳能发电预测,尤其是在电力预测中应用后处理。机器学习方法稍微提供了更好的概率预测,而直接预测方法与后处理策略相当。
Jun, 2024
本研究解决了气候预测中基于物理模型天气预报与深度学习模型之间的研究空白,提出了一种新颖的深度UNet++集成神经网络架构DUNE。研究发现,DUNE能够以比传统方法更高的分辨率生成准确的气候预测,具有广泛的实际应用潜力。
Aug, 2024
本研究针对太阳能发电预测模型的准确性需求,探讨了空气质量指数和天气特征对太阳能发电的影响,并采用先进的机器学习和深度学习技术。通过时间序列建模以及创新的功率变换归一化和零膨胀建模,我们的模型实现了高达0.9691的$R^2$分数,显著提升了预测准确性,显示了该技术在太阳能发电预测中的潜在影响。
Aug, 2024
本研究旨在解决准确的太阳能发电预测模型的需求,结合空气质量指数和天气特征,应用先进的机器学习和深度学习技术。研究表明,使用Conv2D长短期记忆模型,结合电力变换归一化和零膨胀建模,极大提升了预测精度,达到0.9691的$R^2$分数,为太阳能预测提供了重要的见解。
Aug, 2024