May, 2024

预测太阳能热产量以优化可再生能源利用

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 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

  • 机器学习优化的太阳能热解淡化研究中的数据收集和分析过程

    对太阳能热解淡化领域的机器学习进行了有效的跨学科研究，通过优化的数据采集和分析过程，成功收集并分析了大规模的数据集，探究了数据集规模和范围对预测准确性、影响因素重要性排名和模型泛化能力的影响，为实现太阳能热解淡化的机器学习流程提供了重要的参考。

    Jul, 2023

  • 太阳物理中的机器学习

    机器学习可以在太阳物理学中应用，帮助我们更深入地了解太阳大气中发生的复杂过程，并通过更复杂的模型来解释数据以及通过自动化分析太阳数据，减少人工劳动，提高研究效率。

    Jun, 2023

  • 基于机器学习模型的 UTEQ 太阳辐射预测

    本研究旨在探索不同机器学习模型在预测 State Technical University of Quevedo 中心校区太阳辐射方面的有效性，并通过开发基于网络的工具展示该模型在实时太阳辐射预测中的实用性，为高效太阳能管理提供贡献。

    Dec, 2023

  • 区域供暖系统能耗预测的质量与速度比较

    本文研究了热电联供系统中能源需求的预测问题，提出了两种算法，并与现有的人工神经网络算法进行了比较，主要考虑了算法的预测质量和计算成本。

    May, 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

  • 通过后处理和机器学习改善概率太阳能预测的模型链方法

    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

  • 智能电网中太阳辐射预测的机器学习算法比较分析

    利用机器学习算法如随机森林、极端梯度提升、轻量级梯度提升机、CatBoost 和多层感知器人工神经网络来预测太阳辐照度，并通过特征选择进一步提高预测性能。

    Oct, 2023

  • 基于监督学习的 HVAC 系统最优需求响应策略

    该研究提出了一种基于监督学习的新策略，利用神经网络和分段线性方程来优化多区域建筑物中 HVAC 系统的需求响应，结果显示该策略在实用性和计算时间方面都非常有效，同时确保了建筑物居民的热舒适性和 HVAC 系统的成本效益。

    Apr, 2019