精确预测天空图像的方法通过空间变形
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
通过整合来自全天候摄像头和卫星观测的云覆盖率补充信息,本研究利用机器学习将两种信息融合起来,提高了日照预报的准确性。结果表明,混合模型对于晴朗天气的预测效果更好,同时也提高了更长期的预测能力。
Jun, 2022
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
该研究对短期(预测时间少于30分钟)太阳能预测的数据集进行了综合调查,并开发了基于八个维度的多标准排名系统,以评估调查的数据集。同时,介绍了与阳光能预测相关的其他研究领域和使用这些数据集的不同应用。
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
本研究提出了一种名为SkyGPT的物理学指导下的随机视频预测模型,能够产生多个可能的未来图像,并且通过将其应用于太阳能预测中,能够实现更好的太阳能输出预测可靠性和锐度。
Jun, 2023
本文提出了一种新的方法,通过从天空图像中提取特征并使用基于学习的技术来估计短期太阳辐照度,实现了对可再生能源的预测,该方法在计算复杂性方面比现有的算法具有更高的竞争力。
Oct, 2023
我们提出了一种基于U-Net架构的新方法来去除云层阴影,通过对比经典监督和条件生成对抗网络。我们使用真实图像和合成云数据集上评估了我们的方法,通过图像质量指标(RMSE、PSNR、SSIM和FID)获得了定量评估结果。我们在不同类型和纹理的云层上展示了相对于传统云处理技术和稀疏编码基线的改进结果。
Jul, 2024
本研究解决了云层遮挡太阳所带来的太阳能发电不确定性问题,提出了一种新颖的光学系统,能够在广阔视野内提供均匀的天空影像分辨率。通过设计一种算法,结合气象数据,研究表明该系统能够在数十分钟内准确预测太阳遮挡和辐照度,显著提高了预测的准确性。
Sep, 2024