基于红外天空图像与云动态特征提取的核学习小时内太阳能预报综述
机器学习
2023-01-19 v1 图像与视频处理
摘要
光伏系统发电的不确定性为可靠供能（即储能）带来了额外成本。本研究旨在通过引入概率多任务小时内太阳能预报（可实时应用）来降低该额外成本，从而提高光伏系统在电网中的渗透率。通过在连续天空图像序列中提取云动态特征来估计移动云的方向，以预报到达光伏系统的全球太阳辐照度。天空图像由安装在太阳跟踪器上的低成本红外天空成像仪获取。太阳能预报算法基于核学习方法，并使用晴空指数作为预测变量、从云提取的特征作为特征向量。所提太阳能预报算法在提前8分钟、分辨率15秒时取得了16.45%的预报技巧。相比之下，以往工作以1分钟分辨率达到了15.4%的预报技巧。因此，该太阳能预报算法相较最先进水平提升了性能，为电网运营商提供了管理高光伏渗透率电网固有不确定性的能力。
引用
@article{arxiv.2110.05622,
title = {Review of Kernel Learning for Intra-Hour Solar Forecasting with Infrared Sky Images and Cloud Dynamic Feature Extraction},
author = {Guillermo Terrén-Serrano and Manel Martínez-Ramón},
journal= {arXiv preprint arXiv:2110.05622},
year = {2023}
}