无关位置的无源域自适应学习预测太阳能发电
利用基于深度神经网络的域自适应方法,通过选择有效的气象特征,使用源域的预先训练模型进行预测任务,并更新最后几层的权重,从而提高风能预测的准确性。
May, 2024
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
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
我们提出了一种自适应深度学习框架,可以为任何地点的降雨预测提供解决方案,并通过使用深度神经网络对巴黎、洛杉矶和东京的降雨预测进行适应后,取得了 43.51%、5.09% 和 38.62% 的改进。
Feb, 2024
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
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
该研究利用替代气象参数预测尼泊尔潜在站点的太阳辐射,使用包括 CERES SYN1deg 和 MERRA-2 的近十年数据集,采用随机森林、XGBoost、K - 最近邻、LSTM 和 ANN-MLP 等机器学习模型,结果显示这些模型在预测太阳辐射方面具有高准确性,通过分析参数整合可显著提高预测准确性,并且神经网络模型表现出最佳性能。
Jun, 2024
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
利用太阳能满足空气供暖和生活热水需求在环境和成本方面非常高效,但要确保全年用户需求得到满足,需要结合辅助供暖系统,通常为锅炉和热泵。为了在小型家庭装置中部署先进的控制策略,我们提出了一种利用机器学习自动构建和持续适应预测热量生产模型的方法,该设计基于从低成本仪器中提取的监督信息构建和调整模型,避免了极高的准确性和可靠性要求;在推理时,使用通常在公开的天气预报中提供的输入。通过注意力机制的机器学习解决方案满足了我们的要求,我们提出了解决方案的良好实证结果,并讨论了这些结果对整个系统的影响。
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