基于 K 近邻和时间序列的可再生资源发电预测
系统与控制
2025-11-24 v1 系统与控制
摘要
随着世界向利用自然资源发电转变，需提升预测系统以保证稳定的电力供应，并将发电功率纳入电网系统。本文提供一个针对可再生能源forecasting的机器学习环境，防止实际过程中常见的诸多缺陷；如间歇性、非线性及自然界的复杂性，这些因素往往难以被常规现有forecasting程序捕捉。我们利用涵盖多种可再生能源的约 30 年综合数据集，评估两种 distinct 方法：K 近邻（KNN）模型和基于非线性自回归的模型（称为 SARIMA）用于预测由太阳能、风能和水力发电资源产生的总发电量。该框架使用高时间分辨率和多个环境参数以提高预测精度。事实上，两种模型在误差指标上都显著，且在特定情境下表现出独特的特性。长期历史数据有助于更好地校准时间波动、季节性和气候效应对发电的影响。对预测函数的可靠性提升——源自 30 年数据——对电网运营商、能源交易者以及制定可再生能源可靠性政策与标准的部门具有重要价值。
引用
@article{arxiv.2511.17102,
title = {KNN and Time Series Based Prediction of Power Generation from Renewable Resources},
author = {Ismum Ul Hossain and Mohammad Nahidul Islam},
journal= {arXiv preprint arXiv:2511.17102},
year = {2025}
}