MATNet：基于多级融合和自注意力变换器模型的多变量多步日前光伏发电预测

Jun, 2023

MATNet：基于多级融合和自注意力变换器模型的多变量多步日前光伏发电预测

MATNet: Multi-Level Fusion and Self-Attention Transformer-Based Model for Multivariate Multi-Step Day-Ahead PV Generation Forecasting

PDF

Matteo Tortora, Francesco Conte, Gianluca Natrella, Paolo Soda

TL;DR该研究提出了一种新的基于自注意力转换器的混合方法，称为 MATNet，用于预测多元多步骤日前光伏发电量。MATNet 模型有效地结合了 AI 模型的优势与基于物理知识的模型，以提高光伏预测的准确性。

Abstract

The integration of renewable energy sources (RES) into modern power systems has become increasingly important due to climate change and macroeconomic and geopolitical instability. Among the RES, photovoltaic (PV) energy is rapidly emerging as one of the world's most promising. However,

renewable energy sources photovoltaic energy ai-based models matnet forecasting

发现论文，激发创造

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

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

跨变量线性集成增强型光伏发电功率预测变压器

提出了 PV-Client (Cross-variable Linear Integrated ENhanced Transformer) 用于光伏发电功率预测，采用增强 Transformer 模块捕获不同特征之间的复杂相互作用，使用线性模块学习光伏功率的趋势信息，并整合交叉变量注意力以捕获光伏功率与天气因素之间的依赖关系。实验结果表明，PV-Client 在光伏发电功率预测方面表现卓越。

Jun, 2024

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

基于树形预测的细粒度气象特征日前太阳能发电预测

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

基于 Transformer 的居家能源管理系统中的迁移学习需求预测

通过使用多个家庭的数据进行迁移学习，我们能够提高单个家庭负载预测的准确性和控制性能，进而降低能源成本并优化光伏系统和电池储存的利用。

Oct, 2023

FusionSF: 融合异质模态的矢量量化框架用于可靠太阳能发电预测

利用历史功率数据、数值天气预报和卫星图像，提出了一个多模态融合框架，显著提高了太阳能功率预测性能，特别适用于新安装的太阳能发电厂。进行了广泛的实验表明，模型在零样本预测和训练数据丰富的场景下不仅具有稳健性，而且提高了准确性，超过了领先模型。已将其整合到 eForecaster 平台，用于超过 300 个装机容量超过 15GW 的太阳能电厂。

Feb, 2024

风能和光伏电力预测中的迁移学习模型选择、适应和组合

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

S3Former：自监督高分辨率 Transformer 用于太阳能光伏建模

随着气候变化的影响不断升级，全球转向可持续能源的必要性日益显现。我們引入了 S3Former，旨在通过遥感影像分割太阳能光伏板，并提供关键的尺寸和位置信息，用于分析这类装置对电网的影响。

May, 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