[论文解读] Statistical Clear Sky Fitting Algorithm

Bennet Meyers, Michaelangelo D. Tabone+1 more|arXiv (Cornell University)|Jul 18, 2019

Solar Radiation and Photovoltaics参考文献 12被引用 6

一句话总结

本文提出了一种数据驱动的统计晴空拟合（SCSF）算法，该算法直接从原始历史功率测量数据中估计光伏（PV）系统的晴空功率信号，无需辐照度数据、气象条件或系统元数据。通过广义低秩建模结合核范数正则化与凸优化，该方法重构出一条平滑、周期性重复的基线信号，能够捕捉日周期与年周期模式，在数据随机损坏达30%的情况下仍能实现近乎完美的合成晴空信号重建（RMSE < 0.5%）。

ABSTRACT

We present an algorithm that estimates a clear sky performance signal from the measured power of a PV system. The algorithm uses only observed power output, and assumes no knowledge of weather, irradiance data, or system configuration metadata. This is a novel approach to understanding the clear sky behavior of an installed PV system, that does not rely on traditional atmospheric and geometric modeling techniques.

研究动机与目标

• 开发一种与模型无关的方法，仅基于原始光伏功率数据估计晴空性能，无需依赖大气模型或系统元数据。
• 解决在历史光伏数据集中缺乏或不可靠的辐照度或气象数据时，识别晴空条件的挑战。
• 构建一个统计上稳健的基线信号，能够捕捉日周期与年周期的重复性，同时对噪声、数据缺失和系统退化具有鲁棒性。
• 实现在无外部环境输入的情况下，自动检测晴空时段与退化趋势。
• 通过重建受现实噪声污染的合成晴空信号，验证该方法的准确性和泛化能力。

提出的方法

• 该方法从时间序列功率测量数据构建数据矩阵，按日周期与年周期排列，其中每一列代表一天，每一行代表一天中的一个时间点。
• 应用广义低秩建模，将数据矩阵近似为一个保持信号底层循环平稳结构的低秩矩阵。
• 将优化问题表述为多目标凸规划问题，最小化残差的Frobenius范数以及因子矩阵L和R的正则化项。
• 采用核范数正则化以强制实现低秩性，促进估计信号的平滑性与周期性，超参数通过交叉验证调优。
• 算法使用凸优化求解器（cvxpy 和 MOSEK）求解子问题，确保全局最优性，并对缺失或损坏数据具有鲁棒性。
• 该方法在基线拟合过程中自然捕捉系统随时间的退化，无需额外建模。

实验结果

研究问题

• RQ1 能否仅从原始光伏功率数据中准确估计晴空功率信号，而无需辐照度、气象或系统配置数据？
• RQ2 低秩矩阵近似在真实光伏功率数据中，对晴空行为的日周期与年周期特性的保持能力如何？
• RQ3 SCSF算法在面对数据缺失、噪声以及遮挡或逆变器故障等系统级退化时，其鲁棒性如何？
• RQ4 即使在经历显著随机损坏后，算法是否仍能重建已知的晴空信号，从而体现其保真度与稳定性？
• RQ5 估计的信号在训练集与测试集之间是否保持统计一致性，表明其泛化能力且无过拟合？

主要发现

• SCSF算法在30%数据点被随机损坏的情况下，仍能以小于0.5%的RMSE成功重建由pvlib-python流程生成的合成晴空信号。
• Kolmogorov-Smirnov（KS）检验表明，训练集与测试集的残差分布在统计上无法区分（p值 < 1e-10），表明无过拟合并具有强泛化能力。
• 该方法在基线拟合过程中自动捕捉长期系统退化，无需额外建模或数据支持。
• 该算法对数据缺失与噪声具有鲁棒性，且无需了解大气条件、太阳几何位置或系统特定元数据。
• 估计的晴空信号表现出平滑的日周期与年周期重复行为，与真实晴空信号的预期特征高度一致。
• 使用凸优化与核范数正则化可确保全局最优解，同时保持信号的循环平稳结构。