基于不完整数据的全球太阳辐照度短期预报
机器学习
2021-06-15 v1 应用统计
摘要
准确的太阳辐照度和日照预报机制为可再生能源与农业项目规划以及环境和社会经济研究提供了重要信息。本研究提出一种用于提前一天预报太阳辐照度和日照的流水线方法，其训练仅需要太阳辐照度历史数据。此外，我们的方法由于包含数据插补环节，能够处理缺失数据。在预测阶段，我们考虑了四种数据驱动方法：自回归积分滑动平均(Autoregressive Integrated Moving Average, ARIMA)、单层前馈网络(Single Layer Feed Forward Network, SL-FNN)、多层前馈网络(Multiple Layer Feed Forward Network, FL-FNN)和长短期记忆(Long Short-Term Memory, LSTM)。实验在位于哥伦比亚纳里尼奥(Nariño)的12个自动气象站(Automatic Weather Stations, AWS)采集的真实世界数据集上进行。结果表明，基于神经网络的模型在大多数情况下优于ARIMA。此外，LSTM在多云环境(预期随机性更强)中表现出更好的性能。
引用
@article{arxiv.2106.06868,
title = {Short-term forecasting of global solar irradiance with incomplete data},
author = {Laura S. Hoyos-Gómez and Jose F. Ruiz-Muñoz and Belizza J. Ruiz-Mendoza},
journal= {arXiv preprint arXiv:2106.06868},
year = {2021}
}