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
用最先进的基于树的机器学习方法来预测光伏发电的日前准确性非常关键,该研究还考虑了气象和天文学因素对光伏发电产量的影响,以及粗粒度和细粒度空间位置的影响。这项研究的结果可以帮助电网运营商、决策者和其他利益相关者优化电网运营、经济调度,并促进分布式光伏发电的整合。
Nov, 2023
利用多地天气预报的 U 型时间卷积自编码器(UTCAE)方法和多尺度核卷积空时注意力(MKST-Attention)机制,该研究提出了一种新的方法来确定多个发电站的确定性风能和太阳能发电预测,试验评估表明该方法在五个数据集上的日前太阳能和风能预测场景中取得了最佳结果,优于所有竞争的时序预测方法。
Apr, 2024
通过在计算机视觉领域的研究成果的基础上,针对可再生能源进行模型选择和适应的全面实验表明,将多个模型组合起来可以显著提高模型选择和适应方法,并使用神经网络提取特征,并采用贝叶斯线性回归方法进行预测,而只需 7 天的训练数据即可胜过基线。
Apr, 2022
本文介绍了一个包括风力涡轮的空间分布和动态环境信息的独特 Spatial Dynamic Wind Power Forecasting 数据集(SDWPF),并利用该数据集进行了 Baidu KDD Cup 2022 的模拟。
Aug, 2022
本文介绍了一种创新的方法,利用自动深度学习结合数值天气预报风速地图,准确预测全国范围内的短期(1 到 6 小时)风力发电。
Feb, 2024
通过评估和比较四种基于机器学习的风力发电预测模型,我们发现卷积神经网络在纠正和改进从数值天气预报模型中提取的 48 小时风力预测方面取得了最好的结果,平均归一化均方根误差降至 22%,同时减少了均方根误差,并且未来研究应当探究模型流程的变化以提高预测性能。此外,我们引入了连续学习策略,该策略在新数据可用时取得了最高的预测性能提升。
本文提出了一种基于维护活动、问题观察和气象数据的太阳能电力生产预测方法,并运用散列表、标志词和停止词技术生成特征向量来构建预测模型。
May, 2022
使用物理信息神经网络对来自 4 台风力发电机的历史数据进行回归建模,同时引入高效的证据层对预测进行不确定性估计,证明其与绝对误差一致,并为功率曲线定义了一个置信区间。
Jul, 2023