[论文解读] Multi-horizon solar radiation forecasting for Mediterranean locations using time series models

Cyril Voyant, Christophe Paoli+2 more|arXiv (Cornell University)|Jul 22, 2013

Solar Radiation and Photovoltaics参考文献 68被引用 77

一句话总结

本研究提出了一种用于地中海地区多时间尺度太阳辐射预测的框架，采用时间序列模型对比ARMA与MLP模型在有无外生变量情况下的表现。研究发现，MLP模型在中短期预测（h+24和m+5）中表现优于ARMA，尤其在引入数值天气预报数据后优势更明显；而混合建模与平稳性处理技术则显著提升了所有时间尺度下的整体预测精度。

ABSTRACT

Considering the grid manager's point of view, needs in terms of prediction of intermittent energy like the photovoltaic resource can be distinguished according to the considered horizon: following days (d+1, d+2 and d+3), next day by hourly step (h+24), next hour (h+1) and next few minutes (m+5 e.g.). Through this work, we have identified methodologies using time series models for the prediction horizon of global radiation and photovoltaic power. What we present here is a comparison of different predictors developed and tested to propose a hierarchy. For horizons d+1 and h+1, without advanced ad hoc time series pre-processing (stationarity) we find it is not easy to differentiate between autoregressive moving average (ARMA) and multilayer perceptron (MLP). However we observed that using exogenous variables improves significantly the results for MLP . We have shown that the MLP were more adapted for horizons h+24 and m+5. In summary, our results are complementary and improve the existing prediction techniques with innovative tools: stationarity, numerical weather prediction combination, MLP and ARMA hybridization, multivariate analysis, time index, etc.

研究动机与目标

• 开发并对比适用于地中海气候条件下多时间尺度太阳辐射预测的时间序列建模方法。
• 评估外生变量（如数值天气预报）在不同预测时间尺度下对模型性能的影响。
• 基于预测精度，识别适用于各预测时间尺度（d+1、h+1、h+24、m+5）的最优模型。
• 通过先进预处理（如平稳性处理）与模型混合技术提升预测精度。
• 通过匹配模型选择与特定运行时间尺度，为光伏并网提供分层框架。

提出的方法

• 应用自回归移动平均（ARMA）模型对全球辐射与光伏发电进行多时间尺度预测。
• 实施多层感知机（MLP）神经网络，包括独立使用与与ARMA结合的混合建模。
• 整合来自数值天气预报模型的外生变量，如温度、湿度与云量。
• 利用时间索引与多变量分析提升时间表征能力与模型输入结构。
• 在模型训练前，应用平稳性处理技术对时间序列数据进行预处理。
• 基于地中海地区实际太阳辐射数据评估模型性能，评估时间尺度涵盖d+1、h+1、h+24与m+5。

实验结果

研究问题

• RQ1 在地中海气候条件下，ARMA与MLP模型在不同时间尺度下预测全球太阳辐射的表现如何比较？
• RQ2 外生变量在多大程度上提升了MLP模型相对于ARMA模型的预测性能？
• RQ3 对于各预测时间尺度（d+1、h+1、h+24、m+5），哪种模型结构（ARMA、MLP或混合模型）表现最佳？
• RQ4 如平稳性与时间索引等预处理技术在提升模型精度方面的有效性如何？
• RQ5 ARMA-MLP混合模型是否能在多个时间尺度下超越单一模型的预测表现？

主要发现

• 在d+1与h+1时间尺度下，未采用高级预处理时ARMA与MLP模型表现相近，但MLP在引入外生变量后改善更显著。
• MLP模型在h+24与m+5时间尺度下显著优于ARMA，尤其在引入数值天气预报输入后优势更加明显。
• 外生变量的整合显著提升了预测精度，尤其对MLP模型效果更显著。
• 结合平稳性处理与多变量分析的ARMA-MLP混合模型，在所有时间尺度下均提升了预测性能。
• 所提出的框架提供了针对特定预测需求的分层模型选择策略，显著增强了电网管理的实用价值。
• 时间索引与预处理技术（如平稳性处理）有助于提升模型输出的稳定性与准确性，尤其在非平稳太阳辐射数据中表现更优。