基于状态空间高斯过程的太阳能功率短期预测与滤波
机器学习
2023-03-31 v2 应用统计
摘要
太阳能光伏（PV）发电的短期预测对电站管理十分重要。理想情况下这些预测应带有误差条，以便下游决策可考虑不确定性。为在此场景下产生带误差条的预测，我们考虑使用高斯过程（GPs）对英国太阳能光伏发电进行建模与预测。由于数据量大且 PV 读数非高斯，在标准 PV 时间序列数据上应用 GP 回归不可行。然而，借助可扩展 GP 推断的最新进展，特别是结合现代变分推断技术使用 GP 的状态空间形式，使这成为可能。所得模型不仅可扩展至大型数据集，还可通过卡尔曼滤波处理连续数据流。
引用
@article{arxiv.2302.00388,
title = {Short-term Prediction and Filtering of Solar Power Using State-Space Gaussian Processes},
author = {Sean Nassimiha and Peter Dudfield and Jack Kelly and Marc Peter Deisenroth and So Takao},
journal= {arXiv preprint arXiv:2302.00388},
year = {2023}
}
备注
Workshop paper submitted to "Tackling Climate Change with Machine Learning: workshop at NeurIPS 2022"