[论文解读] A Bayesian Model Committee Approach to Forecasting Global Solar Radiation

Philippe Lauret, Auline Rodler+4 more|arXiv (Cornell University)|Mar 24, 2012

Solar Radiation and Photovoltaics参考文献 3被引用 5

一句话总结

该论文提出了一种贝叶斯模型委员会方法，结合ARMA与神经网络模型以预测全球水平辐照度（GHI），利用贝叶斯推断根据模型可靠性对预测结果进行加权。在一年的小时级数据上进行评估，该方法在一小时预测中显著优于持续性模型，通过概率模型组合提升了预测精度。

ABSTRACT

This paper proposes to use a rather new modelling approach in the realm of solar radiation forecasting. In this work, two forecasting models: Autoregressive Moving Average (ARMA) and Neural Network (NN) models are combined to form a model committee. The Bayesian inference is used to affect a probability to each model in the committee. Hence, each model's predictions are weighted by their respective probability. The models are fitted to one year of hourly Global Horizontal Irradiance (GHI) measurements. Another year (the test set) is used for making genuine one hour ahead (h+1) out-of-sample forecast comparisons. The proposed approach is benchmarked against the persistence model. The very first results show an improvement brought by this approach.

研究动机与目标

• 通过集成建模提高短期全球太阳辐射预测的准确性。
• 通过使用贝叶斯推断组合多个模型，解决单个预测模型中的不确定性。
• 开发一种概率框架，根据模型的预测性能为其分配置信权重。
• 基于真实世界的GHI测量数据，将所提出的模型委员会与简单的持续性模型进行基准对比。

提出的方法

• 对一年的小时级全球水平辐照度（GHI）数据分别训练两种预测模型——自回归移动平均（ARMA）和神经网络（NN）。
• 应用贝叶斯推断计算给定训练数据下每个模型的后验概率，从而实现概率化模型加权。
• 根据每个模型的后验概率对其一小时预测结果进行加权，形成组合预测。
• 模型委员会的最终预测为各模型预测结果的加权平均，反映模型的可靠性。
• 采用独立的另一年数据进行样本外测试，以评估模型的泛化性能。
• 将模型性能与使用前一小时GHI作为预测值的持续性模型进行比较。

实验结果

研究问题

• RQ1 通过贝叶斯推断结合ARMA与神经网络模型，能否提升全球太阳辐射预测的准确性？
• RQ2 在小时级GHI预测中，贝叶斯模型委员会相较于简单持续性模型表现如何？
• RQ3 通过贝叶斯加权实现的模型不确定性量化，对预测可靠性有何贡献？
• RQ4 与单个模型相比，模型委员会在多大程度上降低了预测误差？

主要发现

• 贝叶斯模型委员会方法在一小时预测的全球水平辐照度预测中，相比持续性模型显著提升了预测精度。
• 采用贝叶斯模型加权有效捕捉了模型的可靠性，从而生成了更稳健、更准确的集成预测。
• ARMA与神经网络模型的结合充分发挥了线性与非线性建模的优势，实现了更优的整体性能。
• 与单个模型相比，模型委员会降低了预测误差，证明了集成学习在太阳辐射预测中的价值。