基于空气质量指数和天气特征的太阳能发电预测机器学习研究

Aug, 2024

基于空气质量指数和天气特征的太阳能发电预测机器学习研究

Predicting Solar Energy Generation with Machine Learning based on AQI and Weather Features

Arjun Shah, Varun Viswanath, Kashish Gandhi, Dr. Nilesh Madhukar Patil

TL;DR本研究旨在解决准确的太阳能发电预测模型的需求，结合空气质量指数和天气特征，应用先进的机器学习和深度学习技术。研究表明，使用Conv2D长短期记忆模型，结合电力变换归一化和零膨胀建模，极大提升了预测精度，达到0.9691的$R^2$分数，为太阳能预测提供了重要的见解。

Abstract

This paper addresses the pressing need for an accurate Solar Energy prediction model, which is crucial for efficient grid integration. We explore the influence of the Air Quality Index and weather features on

发现论文，激发创造

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？

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

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

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

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

基于多地天气数据指导的高效确定性可再生能源预测

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

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

利用卫星数据在尼泊尔不同地区进行太阳能供电预测

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

基于空气质量指数和天气特征的机器学习太阳能发电预测

本研究针对太阳能发电预测模型的准确性需求，探讨了空气质量指数和天气特征对太阳能发电的影响，并采用先进的机器学习和深度学习技术。通过时间序列建模以及创新的功率变换归一化和零膨胀建模，我们的模型实现了高达0.9691的$R^2$分数，显著提升了预测准确性，显示了该技术在太阳能发电预测中的潜在影响。

Aug, 2024

基于变压器的太阳能光伏电池最大功率点预测

本研究针对现有的太阳光伏电池最大功率点追踪（MPPT）方法中的不足，提出了一种改进的深度学习模型，结合多维时间序列环境输入，以更全面地反映环境条件。研究表明，采用变压器架构的模型在200小时的数据测试中实现了99.54%的平均功率效率和99.98%的峰值功率效率，证明了其在各种气候条件下的强大鲁棒性。

Sep, 2024