太阳辐照预报的时间序列、回归与神经网络模型评估：第一部分：一小时提前量
应用统计
2017-08-29 v1 数据分析、统计与概率
摘要
特定地点短时间范围内的太阳辐照度预测需求已变得极其重要。本文报告了使用来自美国三个不同气候条件城市的数据集，采用统计和机器学习技术预测提前一小时水平太阳辐照度的分析结果。一个假设连续两天相同的简单预测方法作为基线模型，用以比较竞争的预测替代方案。一种方法是使用季节性ARIMA模型。令人惊讶的是，此类模型被发现劣于简单预测。为考虑季节变率并捕捉短期波动，云量是一个明显的变量。以云量为回归量的月度模型表现优于简单预测模型。还评估了更复杂的滞后移动平均（LMX）模型，其中一种变体LMX2在月度时间尺度上被确定，证明是最佳选择。最后，将LMX2模型与人工神经网络（ANN）模型比较，后者被证明更准确。配套论文将展示如何将这些模型用于4小时滚动范围和提前24小时预测的算法与结果。
引用
@article{arxiv.1708.08376,
title = {Evaluation of Time-Series, Regression and Neural Network Models for Solar Forecasting: Part I: One-Hour Horizon},
author = {Alireza Inanlougani and T. Agami Reddy and Srinivas Katiamula},
journal= {arXiv preprint arXiv:1708.08376},
year = {2017}
}