基于天空图像的深度学习辐照度预测模型基准测试——一项深入分析
计算机视觉与模式识别
2021-05-25 v3 图像与视频处理
摘要
许多工业应用，如智能电网、电厂运行、混合系统管理或能源交易，都可受益于改进的短期太阳能预测，以应对太阳能板间歇性的能源生产。然而，当前从天空图像建模云层覆盖动态的方法在云的空间构型、时间动态及其与太阳辐照度的物理相互作用方面仍缺乏精度。受益于日益增长的大规模数据集，数据驱动方法正被开发以弥补这些局限并取得有前景的结果。在本研究中，我们比较了四种常用的深度学习架构，它们经训练用于从半球天空图像序列和外生变量预测太阳辐照度。为评估各模型的相对性能，我们采用了基于智能持续模型的预测技巧（Forecast Skill）指标，以及斜坡和时间失真指标。结果显示，对天空图像序列的时空方面进行编码大幅改进了预测，提前 10 分钟的预测技巧在测试年上达到 20.4%。然而，基于实验数据，我们得出结论：在通用设置下，深度学习模型往往表现得就像一个“非常聪明的持续模型”，在时间上与持续模型对齐，同时缓解其最具惩罚性的误差。因此，尽管被天空相机捕捉到，模型常常错过导致大幅辐照度变化的基本事件，例如云遮住太阳。我们希望我们的工作将有助于将这种辐照度预测方法从被动式转向预见式。
引用
@article{arxiv.2102.00721,
title = {Benchmarking of Deep Learning Irradiance Forecasting Models from Sky Images -- an in-depth Analysis},
author = {Quentin Paletta and Guillaume Arbod and Joan Lasenby},
journal= {arXiv preprint arXiv:2102.00721},
year = {2021}
}
备注
Manuscript accepted for publication in Solar Energy