基于天空图像的深度学习太阳能预报利用多地数据：本地、全局训练还是迁移学习？
计算机视觉与模式识别
2022-12-06 v2 人工智能
摘要
基于地面天空图像的太阳能预报在降低太阳能发电不确定性方面已展现出巨大潜力。近年来，越来越多的天空图像数据集被开源，基于深度学习的准确可靠太阳能预报方法的发展潜力大幅增长。在本研究中，我们利用全球采集的、具有不同气候模式的三个异构数据集，探索了太阳能预报模型的三种不同训练策略。具体而言，我们比较了基于单一数据集分别训练的本地模型与基于多数据集融合联合训练的全局模型的性能，并进一步考察了从预训练的太阳能预报模型到感兴趣的新数据集的知识迁移。结果表明，本地模型在本地部署时表现良好，但在异地应用时观察到显著误差。全局模型能以训练工作量潜在增加为代价较好地适应各个地点。在大型且多样化的源数据集上预训练并迁移到目标数据集，通常比其他两种策略取得更优性能。在训练数据减少80%的情况下，其性能可与使用完整数据集训练的本地基线相媲美。
引用
@article{arxiv.2211.02108,
title = {Sky-image-based solar forecasting using deep learning with multi-location data: training models locally, globally or via transfer learning?},
author = {Yuhao Nie and Quentin Paletta and Andea Scott and Luis Martin Pomares and Guillaume Arbod and Sgouris Sgouridis and Joan Lasenby and Adam Brandt},
journal= {arXiv preprint arXiv:2211.02108},
year = {2022}
}