计算太阳能——基于印度东部气象参数的集成学习方法用于太阳能发电预测
机器学习
2024-04-02 v1 计算工程、金融与科学
计算机与社会
信号处理
摘要
太阳能应用面临的挑战在于其间歇性与对气象参数(如太阳辐射、环境温度、降雨、风速等)以及积尘等诸多物理参数的依赖。因此,估算特定地理位置的太阳能光伏(PV)发电量十分重要。机器学习(ML)模型日益重要,并被广泛用于太阳能电站性能预测。本文首次通过多种集成机器学习(EML)模型(如 Bagging、Boosting、Stacking 与 Voting)估算气象参数对太阳能光伏发电的影响。所选 ML 算法的性能由印度东部一座 10kWp 太阳能光伏电站的现场数据集验证。此外,我们设计了一套完整测试床框架用于数据挖掘及合适学习模型的选择,其亦支持数据集的特征选择与降维,以降低学习模型的空间与时间复杂度。结果表明 Stacking 与 Voting EML 模型的预测精度可达约 96%。所提工作具有通用性,亦可有效用于大规模太阳能光伏电站性能预测。
引用
@article{arxiv.2301.10159,
title = {Computational Solar Energy -- Ensemble Learning Methods for Prediction of Solar Power Generation based on Meteorological Parameters in Eastern India},
author = {Debojyoti Chakraborty and Jayeeta Mondal and Hrishav Bakul Barua and Ankur Bhattacharjee},
journal= {arXiv preprint arXiv:2301.10159},
year = {2024}
}
备注
Accepted in Renewable Energy Focus (Elsevier)