伊巴丹太阳能发电量预测：一种利用气象数据和系统规格的机器学习方法
应用统计
2025-08-12 v1
摘要
本研究利用气象数据预测逐时太阳辐照度分量——全球水平辐照度（GHI）、直接法向辐照度（DNI）和散射水平辐照度（DHI），以预报尼日利亚伊巴丹的太阳能发电量。预测过程采用两阶段方法：首先，仅使用天气变量（如温度、湿度、风速）预测晴空辐照度值；其次，通过将预测的晴空辐照度与天气变量和云类型相结合，预测实际（多云天空）辐照度值。对历史气象数据进行了预处理，并用于训练随机森林、卷积神经网络（CNN）和长短期记忆（LSTM）模型，其中随机森林表现出最佳性能。模型针对年度和季节性预测分别开发，捕捉了雨季和旱季之间的变化。年度随机森林模型的归一化均方根误差（nRMSE）值为：DHI 0.22，DNI 0.33，GHI 0.19。对于季节性预测，雨季的 nRMSE 值为：DHI 0.27，DNI 0.50，GHI 0.27；旱季的 nRMSE 值为：DHI 0.15，DNI 0.22，GHI 0.12。将预测的实际辐照度值与太阳能系统规格（如最大功率（Pmax）、开路电压（Voc）、短路电流（Isc）和交流功率（Pac））结合，使用 PVLib Python 库估算最终发电量。该方法为基于日射强度计的测量提供了一种经济高效的替代方案，增强了太阳能并网的电网稳定性，并支持离网和并网光伏系统的有效规划。
引用
@article{arxiv.2508.07462,
title = {Forecasting solar power output in Ibadan: A machine learning approach leveraging weather data and system specifications},
author = {Obarotu Peter Urhuerhi and Christopher Udomboso and Caston Sigauke},
journal= {arXiv preprint arXiv:2508.07462},
year = {2025}
}
备注
36 pages, 17 figures