SunCast：基于地球同步卫星数据的太阳辐照度临近预报
机器学习
2022-01-19 v1 计算机视觉与模式识别
摘要
当云层覆盖光伏（PV）板时，电池板产生的电量会快速波动。因此，为维持电网中足够的能量以匹配需求，公用事业公司依赖通常来自化石燃料的备用电源，从而污染环境。准确的短期光伏功率预测使运营商能够最大化从光伏板获取的电力，并安全地减少化石燃料来源所需的备用能源。虽然若干研究已开发机器学习模型来预测特定光伏电站的太阳辐照度，但在全球尺度上建模短期太阳辐照度的工作甚少。此外，已开发的模型多为专有模型，其架构未公开或依赖于计算密集的数值天气预报（NWP）模型。在此，我们提出一种卷积长短期记忆网络模型，将太阳临近预报视为下一帧预测问题，其比 NWP 模型更高效且具备简单、可复现的架构。我们的模型可在无 GPU 的单台机器上于 60 秒内预测整个北美长达 3 小时的太阳辐照度，并在 2 个月数据评估中达到 120 W/m2 的 RMSE。
引用
@article{arxiv.2201.06173,
title = {SunCast: Solar Irradiance Nowcasting from Geosynchronous Satellite Data},
author = {Dhileeban Kumaresan and Richard Wang and Ernesto Martinez and Richard Cziva and Alberto Todeschini and Colorado J Reed and Hossein Vahabi},
journal= {arXiv preprint arXiv:2201.06173},
year = {2022}
}