[论文解读] A TCN-based Hybrid Forecasting Framework for Hours-ahead Utility-scale PV Forecasting

Yiyan Li, Lidong Song+6 more|arXiv (Cornell University)|Nov 16, 2021

Solar Radiation and Photovoltaics被引用 7

一句话总结

本文提出了一种基于TCN的混合预测框架，用于提前数小时的大型光伏电站功率预测，通过三种专用的时间卷积网络（TCNs）整合基于物理的趋势预测（TF）模型与数据驱动的云事件预测（CF）模型。该框架在使用北卡罗来纳州95个光伏农场的数据时，将6小时前瞻预测的准确性提高了约20%。

ABSTRACT

This paper presents a Temporal Convolutional Network (TCN) based hybrid PV forecasting framework for enhancing hours-ahead utility-scale PV forecasting. The hybrid framework consists of two forecasting models: a physics-based trend forecasting (TF) model and a data-driven cloud-event forecasting (CF) model. Three TCNs are integrated in the framework for: i) blending the inputs from different Numerical Weather Prediction sources for the TF model to achieve superior performance on forecasting hourly PV profiles, ii) capturing spatial-temporal correlations between detector sites and the target site in the CF model to achieve more accurate forecast of intra-hour PV power drops, and iii) reconciling TF and CF results to obtain coherent hours-ahead PV forecast with both hourly trends and intra-hour fluctuations well preserved. To automatically identify the most contributive neighboring sites for forming a detector network, a scenario-based correlation analysis method is developed, which significantly improves the capability of the CF model on capturing large power fluctuations caused by cloud movements. The framework is developed, tested, and validated using actual PV data collected from 95 PV farms in North Carolina. Simulation results show that the performance of 6 hours ahead PV power forecasting is improved by approximately 20% compared with state-of-the-art methods.

研究动机与目标

• 提升用于电网集成与运行规划的提前数小时大型光伏（PV）发电功率预测的准确性。
• 解决预测长期小时级趋势与由云层移动引起的短期分钟级波动的挑战。
• 开发一种结合物理洞见与数据驱动学习的混合建模方法，以实现稳健的预测。
• 增强对光伏站点之间时空相关性的表征，以更好地捕捉云层引起的功率下降。
• 自动识别对检测器网络构建最具贡献的邻近站点，以提高预测可靠性。

提出的方法

• 采用基于物理的趋势预测（TF）模型，利用TCN融合来自多个数值天气预报（NWP）源的输入，以提升小时级光伏出力曲线的预测精度。
• 实施基于数据驱动的云事件预测（CF）模型，利用TCN捕捉检测器站点与目标站点之间的时空相关性，以准确预测分钟级功率下降。
• 集成一个校正TCN，以协调TF和CF模型的输出，同时保留最终预测中的小时级趋势与快速波动。
• 开发一种基于情景的相关性分析方法，自动选择对检测器网络最具相关性的邻近站点，以增强云移动检测能力。
• 使用北卡罗来纳州95个大型光伏电站的真实发电数据进行混合框架的训练与验证。
• 采用具有空洞卷积的TCN来建模时间序列中的长程依赖关系，无需循环结构，从而实现高效且精确的预测。

实验结果

研究问题

• RQ1 如何通过结合基于物理和数据驱动模型的混合框架来提升提前数小时大型光伏电站功率预测的准确性？
• RQ2 TCN在多大程度上能有效建模分布式光伏站点之间的时空相关性，以预测云层引起的功率波动？
• RQ3 基于情景相关性分析的自动化站点选择方法能否提升云事件预测的性能？
• RQ4 通过TCN整合多个NWP源在多大程度上能提升趋势预测的鲁棒性？
• RQ5 通过专用TCN模块协调趋势预测与云事件预测，预测准确性的净提升是多少？

主要发现

• 所提出的基于TCN的混合框架相比最先进方法，将6小时前瞻光伏功率预测的准确性提高了约20%。
• 通过TCN在趋势预测模型中整合多个NWP源，显著提升了小时级光伏出力曲线的预测能力。
• 通过TCN实现的时空建模增强的云事件预测模型，在捕捉由云层移动引起的分钟级功率下降方面表现出更高的准确性。
• 基于情景的相关性分析方法成功识别出最具贡献的邻近站点，提升了检测器网络对云事件的响应能力。
• 校正TCN有效结合了趋势与波动预测，在最终输出中同时保留了长期趋势与短期动态特征。
• 在北卡罗来纳州95个大型光伏电站的真实数据上验证后，该框架展现出强大的泛化能力与鲁棒性。