Nov, 2022

利用深度学习结合多地区数据进行基于天空图像的太阳能预测：是在本地、全球或通过迁移学习进行模型训练？

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 无关位置的无源域自适应学习预测太阳能发电

    提出了一个基于领域自适应深度学习的框架来估计太阳能发电量，该框架利用天气特征来解决太阳能发电预测中的挑战。该方法在计算速度、存储效率和改善预测准确性方面在加利福尼亚（CA）、佛罗里达（FL）和纽约（NY）等地的太阳能发电预测中显示出明显优势。

    Jan, 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

  • 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

  • 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

  • 如何利用时空上下文丰富日前太阳辐照预测

    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

  • 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

  • 深度光伏预报

    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

  • 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