基于稀疏、异构公共数据的物理导引机器学习预测太阳能场的全球性能
机器学习
2024-07-29 v1 应用物理
数据分析、统计与概率
摘要
光伏（PV）技术正快速演变。要预测新兴 PV 技术的潜力和可扩展性，必须对这些系统在全球范围内的性能有全面了解。传统上，实验和计算研究在大型国家研究设施中聚焦于特定区域气候下的 PV 性能。然而，将这些区域性研究综合以理解全球性能潜力却困难重重。鉴于获取实验数据的高昂成本、跨政治分裂世界各国实验室协调的挑战，以及大型商业运营商数据隐私 concerns 的问题，然而，一种根本不同且数据高效的方法迫切需要。本文提出了一种物理导引机器学习（PGML）方案，演示：（a）世界可划分为少数与 PV 相关气候区，称为 PVZones，说明不同大陆之间共享的相关气象条件；（b）通过利用气候相似性，仅需从五个位置获取的高质量月度能量收益数据，即可以高空间分辨率准确预测年度能量收益潜力，均方根误差小于 8 kWh/m²；（c）即使在噪声较大、异构且公共的 PV 性能数据下，只要数据具有代表性，即可以小于 6% 的相对误差预测全球能量收益，误差小于基于物理的仿真。该 PGML 方法对 PV 技术和场地拓扑结构均不敏感，适用于新的 PV 技术或场配置置。结果鼓励在物理导引、数据驱动的方法下，跨国政策制定者和研究组织合作，构建高效的决策支持系统，以加快全球 PV 资格认证和部署。
引用
@article{arxiv.2407.18284,
title = {Physics-guided machine learning predicts the planet-scale performance of solar farms with sparse, heterogeneous, public data},
author = {Jabir Bin Jahangir and Muhammad Ashraful Alam},
journal= {arXiv preprint arXiv:2407.18284},
year = {2024}
}