应用于天空图像的卷积神经网络用于短期太阳辐照度预测
计算机视觉与模式识别
2020-05-25 v1 机器学习
图像与视频处理
摘要
尽管太阳能领域取得了进展，但改进太阳能预测技术以应对间歇性电力生产，对于确保其未来融入更广泛的能源供应仍然至关重要。一种有前景的预测辐照度变化的方法是基于地面或卫星图像对云层动态进行建模。本文展示了应用深度卷积神经网络，利用半球天空图像和外部变量进行 2 至 20 分钟辐照度预测的初步结果。我们在法国帕莱索收集的 8 个月、时间分辨率为 2 分钟的辐照度测量值和相应天空图像数据集上评估了模型。为了揭示神经网络在短期辐照度预测背景下的学习过程，我们实现了可视化技术，以展示训练后的算法在天空图像中识别出的模式类型。此外，我们表明，使用同一天的过去样本训练模型，相对于基于均方误差的智能持续模型，在提前 10 分钟的预测中，其预测技巧提高了约 10%。这些结果强调了在短期预测中整合先前同日数据的益处。这反过来可以通过模型微调或使用循环单元来促进从过去数据中提取相关时间特征来实现。
引用
@article{arxiv.2005.11246,
title = {Convolutional Neural Networks applied to sky images for short-term solar irradiance forecasting},
author = {Quentin Paletta and Joan Lasenby},
journal= {arXiv preprint arXiv:2005.11246},
year = {2020}
}
备注
4 pages, 7 figures, 1 table, accepted for European PV Solar Energy Conference and Exhibition (EU-PVSEC) 2020