面向不同位置的太阳能发电预测的半监督深度域适应
机器学习
2025-08-07 v1
摘要
准确的太阳能发电预测对于跨不同地理位置的可再生能源资源估计至关重要。然而，由于地理和天气特征因位置不同而异，引入了域迁移——这成为开发面向位置无关预测模型的主要瓶颈。结果是，一个在一个位置表现良好的机器学习模型，可能在另一个位置 exhibits 表现不佳。在缺乏正确标注数据和存储问题的情况下，任务更加具有挑战性。为了解决由于不同气象区域的天气条件差异导致的域迁移问题，本文提出了一种半监督深度域适应框架，允许使用目标位置最小标注数据进行准确预测。我们的方法涉及在源位置的数据上训练深度卷积神经网络，并通过源自由、教师-学生模型配置来适应目标位置。教师-学生模型利用一致性和交叉熵损失进行半监督学习，确保无需源数据即可进行有效适应。在目标域中仅标注 20% 的数据方面，我们的方法在 California、Florida 和 New York 分别以相对于非自适应方法的精度提高最高可达 11.36%、6.65%、4.92%。
引用
@article{arxiv.2508.04165,
title = {Semi-Supervised Deep Domain Adaptation for Predicting Solar Power Across Different Locations},
author = {Md Shazid Islam and A S M Jahid Hasan and Md Saydur Rahman and Md Saiful Islam Sajol},
journal= {arXiv preprint arXiv:2508.04165},
year = {2025}
}