用于太阳辐照预报的序列到序列深度学习模型
机器学习
2019-05-01 v1 机器学习
摘要
光伏(PV)面板的能量输出是太阳辐照以及温度、风速等天气参数的函数。称为全球水平辐照度(GHI)的太阳辐照通用度量，通常以瓦特/米报告，是该间歇性能源资源的通用指标。准确预测GHI对于可再生能源的可靠并网以及电力市场交易是必要的。虽然一些机器学习技术已与传统时间序列预测技术一同被引入，但深度学习技术在此任务上仍较少被探索。本文给出适用于GHI序列到序列预测的深度学习模型。所报告的深度学习模型用于短期预报小时，并与梯度提升回归树(GBRT)和前馈神经网络(FFNN)等最先进技术对比。我们已验证风速风向及邻近位置GHI等时空特征显著提升了深度学习模型的预测精度。在各种序列到序列编码器-解码器模型中，LSTM表现最优，弥补了最先进技术的不足。
引用
@article{arxiv.1904.13081,
title = {Sequence to sequence deep learning models for solar irradiation forecasting},
author = {Bhaskar Pratim Mukhoty and Vikas Maurya and Sandeep Kumar Shukla},
journal= {arXiv preprint arXiv:1904.13081},
year = {2019}
}