Solarcast-ML: 太阳能发电的每节点图传播扩展
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
使用图神经网络的数据驱动方法预测全球天气,通过学习当前 3D 大气状态的六小时步长以及多步连接,可以产生数天后的精准预报,测试表现优于以前的数据驱动方法,并且与 GFS 和 ECMWF 的物理模型的全分辨率相当可比。
Feb, 2022
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
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
气候变化时期,精确机器学习方法在天气预报方面的崛起为大气建模开辟了全新可能性;尽管大多数现有的神经气象预测方法都专注于全球预测,但在有限范围内建模的应用仍是关键问题,本文将基于图形的神经气象预测方法调整为有限区域设置,并提出了多尺度分层模型扩展,通过对北欧地区的局部模型进行实验证实了我们的方法。
Sep, 2023
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
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
本文提出了一种层次化的时空图神经网络模型 (HiSTGNN),用于模拟多个站点中气象变量之间的跨区域时空相关性,在三个真实气象数据集上表现出明显优异性能,特别是与最先进的天气预报方法相比,其误差降低了 4.2% 到 11.6%。
Jan, 2022
利用机器学习技术预测地磁扰动,采用适用于长时间序列分析的长短时记忆循环神经网络 (LSTM),通过对在 L$1$ 点获取的太阳风等离子体和磁场的现场测量数据进行研究,使用二元分类方式预测 SYM-H 地磁活动指数在 - 50 nT 的阈值以下一小时的降低,从而指示磁层的扰动。同时考虑到强烈的时间变化特征,采用适当的损失函数来解决类别不平衡的问题,并使用加权技能评分方法来评估预测结果。首次考虑太阳暴和磁旋的内容以及它们的能量特征,通过相关性驱动的特征选择方法对神经网络预测模型中最相关的特征进行排序,同时展示了所采用的神经网络在准确预测地磁风暴的发生时起到的关键性作用,这对于在实际操作环境中给出真实预警至关重要。
Mar, 2024
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