基于高斯过程回归的概率性短期太阳能输出预测
应用统计
2021-03-30 v1 机器学习
信号处理
摘要
随着对气候变化关注的增加，光伏（PV）等可再生资源作为发电手段已日益普及。准确应对其固有间歇性与波动性的预测机制，使此类资源在电力系统运行中的平稳集成成为可能。本文提出一种概率框架，在考虑天气不确定性的情况下预测短期光伏输出。为此，我们使用由功率输出与气象数据（如辐照度、温度、天顶角和方位角）组成的数据集。首先，我们基于太阳能输出与时间，利用 k-means 聚类将数据分为四类。接着，进行相关性研究以选择对太阳能输出影响较大的天气特征。最后，我们利用高斯过程回归并以 Matern 5/2 为核函数，确定将上述所选特征与太阳能输出关联的函数。我们在不同地点的五座太阳能发电站上验证方法，并与现有方法比较结果。更具体地，为测试所提模型，使用了两种不同方法：（i）5 折交叉验证；以及（ii）留出 30 个随机日作为测试数据。为确认模型精度，我们在四个聚类上各独立应用框架 30 次。平均误差服从正态分布式，在 95% 置信水平下取值于 -1.6% 至 1.4% 之间。
引用
@article{arxiv.2002.10878,
title = {Gaussian Process Regression for Probabilistic Short-term Solar Output Forecast},
author = {Fatemeh Najibi and Dimitra Apostolopoulou and Eduardo Alonso},
journal= {arXiv preprint arXiv:2002.10878},
year = {2021}
}