无本地遥测的太阳辐照度短期预报：一种利用卫星数据的通用模型
机器学习
2019-11-13 v1 机器学习
应用统计
摘要
由于太阳能发电并入电网的程度日益提高，太阳辐照度短期预报已成为许多应用（如运行规划、电力采购、备用激活等）的关键。在此背景下，由于太阳能发电机地理分布分散且地面测量并非总易获取，拥有无需本地数据即可预测太阳辐照度的通用模型十分重要。本文提出一种可在任意一般位置进行太阳辐照度短期预报且无需地面测量的模型。为此，该模型考虑基于卫星的测量与基于天气的预报，并采用能够在不同位置间泛化的深度神经网络结构；特别地，网络仅使用少量具备地面数据的站点进行训练，而模型能够泛化至大量无地面数据的位置。作为一个案例研究，考虑了荷兰的25个位置，并将所提模型与四个利用地面测量为每个位置单独训练的本地模型进行比较。尽管该模型具有通用性质，结果表明所提模型等于或优于本地模型：在比较所有位置与预测时域的平均性能时，所提模型获得31.31%的rRMSE（相对均方根误差），而最佳本地模型达到32.01%的rRMSE。
引用
@article{arxiv.1911.04932,
title = {Short-term forecasting of solar irradiance without local telemetry: a generalized model using satellite data},
author = {Jesus Lago and Karel De Brabandere and Fjo De Ridder and Bart De Schutter},
journal= {arXiv preprint arXiv:1911.04932},
year = {2019}
}