利用历史发电和气象数据基于分层时序卷积神经网络进行日前区域太阳能功率预测

区域太阳能功率预测涉及预测区域内所有屋顶光伏系统的总发电量，对于能源领域的各类利益相关者具有重要意义。然而，预测过程中需要考虑来自地理分散位置的大量太阳能发电和气象时间序列数据，这使得准确的区域预测具有挑战性。因此，先前的工作要么局限于预测单个时间序列（即聚合时间序列，即区域内所有太阳能发电时间序列的总和），而忽略了特定位置的气象影响；要么利用特定位置的气象数据独立预测每个光伏站点的太阳能发电时间序列（即个体时间序列），导致需要大量的预测模型。在本工作中，我们提出了两种基于深度学习的区域预测方法，能够有效利用区域内的两种时间序列（聚合和个体）及气象数据。我们提出了两种分层时序卷积神经网络 (HTCNN) 架构以及两种将 HTCNN 适配于区域太阳能功率预测的策略。首先，我们探索使用单个 HTCNN 生成区域预测。接下来，我们根据气象信息将区域划分为多个子区域，并为每个子区域训练单独的 HTCNN；然后将各子区域的预测相加以生成区域预测。所提出的工作利用在西澳大利亚 101 个地点收集的一年大数据集进行评估，以提供日前预测。我们将我们的方法与知名的替代方法进行比较，结果表明子区域 HTCNN 所需的独立网络更少，并实现了 40.2% 的预测技能得分，与最佳对比方法相比，统计显著误差降低了 6.5%。