利用廉价数据实现光伏功率精确随机过程模型：借助SDE与公共天气报告
机器学习
2023-12-12 v1 系统与控制
系统与控制
最优化与控制
摘要
基于随机微分方程（SDE）的波动性可再生能源（RESs）随机过程模型在连续时间中联合刻画了演化概率分布与时序相关性。其已使近期研究显著提升了电力系统动态不确定性量化与优化的性能。然而，考虑到光伏（PV）的非齐次随机过程特性，仍存在一个挑战性问题：如何获得反映其在线运行中依赖于天气的不确定性的现实且精确的PV功率SDE模型，尤其在众多分布式电站缺乏高分辨率数值天气预报（NWP）时？为填补此空白，本文发现仅使用来自低分辨率公共天气报告的廉价数据即可构建精确的PV功率SDE模型。具体而言，构造了逐时参数化Jacobi扩散过程以重现一天内PV波动率的时序模式；其参数通过集成极端学习机（ELMs）从公共天气报告映射得到，以反映变化的天气条件。该SDE模型联合刻画了日内与小时内的波动率。基于澳门实际数据的统计检验表明，所提方法优于若干最先进的基于深度学习的时间序列预测方法。
引用
@article{arxiv.2111.13812,
title = {Achieving an Accurate Random Process Model for PV Power using Cheap Data: Leveraging the SDE and Public Weather Reports},
author = {Yiwei Qiu and Jin Lin and Zhipeng Zhou and Ningyi Dai and Feng Liu and Yonghua Song},
journal= {arXiv preprint arXiv:2111.13812},
year = {2023}
}