[论文解读] Short-Term Solar Irradiance Forecasting Using Calibrated Probabilistic Models

Eric Zelikman, Sharon Zhou+8 more|arXiv (Cornell University)|Oct 9, 2020

Solar Radiation and Photovoltaics参考文献 37被引用 7

一句话总结

本文提出使用CRUDE后处理校准的NGBoost方法进行短时概率太阳辐照度预测，在超短期（分钟级）分辨率下达到最先进性能，且在小时级分辨率下与NWP模型表现相当，基于SURFRAD数据。该方法提升了校准性和精确度，表明经过校准的基于树的提升模型在关键指标上优于传统基准模型和NWP模型。

ABSTRACT

Advancing probabilistic solar forecasting methods is essential to supporting the integration of solar energy into the electricity grid. In this work, we develop a variety of state-of-the-art probabilistic models for forecasting solar irradiance. We investigate the use of post-hoc calibration techniques for ensuring well-calibrated probabilistic predictions. We train and evaluate the models using public data from seven stations in the SURFRAD network, and demonstrate that the best model, NGBoost, achieves higher performance at an intra-hourly resolution than the best benchmark solar irradiance forecasting model across all stations. Further, we show that NGBoost with CRUDE post-hoc calibration achieves comparable performance to a numerical weather prediction model on hourly-resolution forecasting.

研究动机与目标

• 开发并评估基于公开SURFRAD数据的最先进概率模型，用于短时太阳辐照度预测。
• 研究后处理校准技术对提升概率太阳辐照度预测可靠性与精确度的影响。
• 在多个美国站点比较现代机器学习模型（包括NGBoost）与既定基准模型和NWP模型的性能表现。
• 确定经过校准的概率模型是否能在小时级预测中达到与数值天气预报模型相当的性能。

提出的方法

• 本研究以透明度指数作为目标变量，由实测的全球水平辐照度与太阳外辐射估计值推导得出。
• 训练了四种概率模型：高斯过程回归、Dropout神经网络、变分神经网络，以及具有高斯输出分布的NGBoost。
• 采用后处理校准方法——CRUDE、Kuleshov和MLE，利用保留的2017年校准数据集提升校准性与精确度。
• NGBoost采用自然梯度提升方法，以减少过拟合并提升泛化能力，利用其支持任意可微先验分布的特性。
• 在2018年测试数据上，基于七个SURFRAD站点的连续概率评分（CRPS）和校准性指标评估模型性能。
• 使用透明度指数以稳定时间序列，并通过考虑确定性大气与太阳因素，提升模型泛化能力。

实验结果

研究问题

• RQ1 NGBoost结合后处理校准是否能在分钟级太阳辐照度预测中优于现有概率预测模型？
• RQ2 后处理校准是否在不同美国气候条件下显著提升概率太阳辐照度预测的可靠性与精确度？
• RQ3 NGBoost在小时级分辨率下的预测精度与数值天气预报（NWP）模型相比如何？
• RQ4 经过校准的机器学习模型是否能在无需其计算开销的前提下，实现与NWP模型相当的性能？
• RQ5 不同校准技术——CRUDE、Kuleshov和MLE——对最终预测质量的影响如何？

主要发现

• NGBoost在未使用后处理校准的情况下，于所有七个SURFRAD站点的分钟级预测中均优于所有基准模型，实现了最低的CRPS。
• NGBoost结合CRUDE校准后，各站点的平均校准误差从0.040降低至0.031，显著提升了可靠性。
• 在南达科他州苏城，NGBoost结合CRUDE校准的CRPS为37.9，相比次优模型（CH-P）在分钟级预测中提升了7.6%。
• 在小时级分辨率下，NGBoost结合CRUDE校准在苏城的CRPS为58.6，优于NWP模型（58.8），并匹配到最佳NWP变体的性能。
• CRUDE与Kuleshov校准在提升校准性的同时略微降低了精确度，其中CRUDE平均将校准误差降低22.5%。
• 本研究证明，NGBoost结合后处理校准可在小时级预测中实现与NWP模型相当的性能，表明其为传统NWP系统的一种计算高效替代方案。