基于小时相似度的多模型机器学习融合太阳能预报
机器学习
2018-03-12 v1 机器学习
摘要
随着太阳能发电在电力系统中的渗透率不断提高，预报在电力系统运行中变得至关重要。本文提出一种基于小时相似度（HS）的1小时前（1HA）全球水平辐照度（GHI）预报方法。该方法利用太阳数据中的日变化模式、不同小时间的统计差异及小时相似度来提高预报精度。HS 方法通过用同小时子集独立训练多个两层多模型预报框架（MMFF）模型构建。最终最优模型为每一小时最佳融合算法组合 MMFF 模型而成。在预报阶段，选取最合适模型执行特定小时的预报子任务。HS 方法使用美国国家可再生能源实验室（NREL）收集的含六个太阳特征的1年数据进行验证。结果表明，在相同 MMFF 架构下，HS 方法显著优于非 HS（全合一）方法，其中最优 HS 方法基于归一化平均绝对误差和归一化均方根误差分别比最佳全合一方法高出10.94%和7.74%。
引用
@article{arxiv.1803.03623,
title = {Hourly-Similarity Based Solar Forecasting Using Multi-Model Machine Learning Blending},
author = {Cong Feng and Jie Zhang},
journal= {arXiv preprint arXiv:1803.03623},
year = {2018}
}
备注
2018 IEEE PES General Meeting