FusionSF：在向量量化框架中融合异构模态以实现鲁棒的太阳能预测
机器学习
2024-02-09 v1 人工智能
计算机视觉与模式识别
摘要
准确的太阳能预测对于将光伏电站接入电网、调度并保障电网安全至关重要。对于缺乏充足数据的新建太阳能电站而言，这一问题变得更具挑战性。当前研究主要依赖单一模态格式的历史太阳能数据或数值天气预报，忽略了不同模态提供的互补信息。在本文中，我们提出了一个多模态融合框架，以整合历史功率数据、数值天气预报和卫星图像，从而显著提升预测性能。我们引入了一个向量量化框架，该框架对齐了信息密度不同的模态，在整合充足信息与避免模型过拟合之间取得了平衡。我们的框架展现出强大的零样本预测能力，这对于新建电站尤为有用。此外，我们收集并发布了来自真实电站的多模态太阳能功率 (MMSP) 数据集，以进一步推动多模态太阳能预测算法的研究。我们广泛的实验表明，我们的模型不仅运行鲁棒，而且在零样本预测和训练数据丰富的场景下均提升了准确性，超越了领先的模型。我们已将其集成到我们的 eForecaster 平台中，并部署于超过 300 个太阳能电站，总容量超过 15GW。
引用
@article{arxiv.2402.05823,
title = {FusionSF: Fuse Heterogeneous Modalities in a Vector Quantized Framework for Robust Solar Power Forecasting},
author = {Ziqing Ma and Wenwei Wang and Tian Zhou and Chao Chen and Bingqing Peng and Liang Sun and Rong Jin},
journal= {arXiv preprint arXiv:2402.05823},
year = {2024}
}