[论文解读] Computational Solar Energy -- Ensemble Learning Methods for Prediction of Solar Power Generation based on Meteorological Parameters in Eastern India

Debojyoti Chakraborty, Jayeeta Mondal+2 more|arXiv (Cornell University)|Jan 21, 2023

Energy Load and Power Forecasting参考文献 48被引用 4

一句话总结

本研究提出了一种集成机器学习框架，利用气象数据预测印度东部的太阳能光伏发电量。通过在真实世界10kWp太阳能光伏数据集上应用Bagging、Boosting、Stacking和Voting模型，作者实现了高达96%的预测准确率，其中Stacking和Voting模型在大规模太阳能发电预测中表现尤为出色。

ABSTRACT

The challenges in applications of solar energy lies in its intermittency and dependency on meteorological parameters such as; solar radiation, ambient temperature, rainfall, wind-speed etc., and many other physical parameters like dust accumulation etc. Hence, it is important to estimate the amount of solar photovoltaic (PV) power generation for a specific geographical location. Machine learning (ML) models have gained importance and are widely used for prediction of solar power plant performance. In this paper, the impact of weather parameters on solar PV power generation is estimated by several Ensemble ML (EML) models like Bagging, Boosting, Stacking, and Voting for the first time. The performance of chosen ML algorithms is validated by field dataset of a 10kWp solar PV power plant in Eastern India region. Furthermore, a complete test-bed framework has been designed for data mining as well as to select appropriate learning models. It also supports feature selection and reduction for dataset to reduce space and time complexity of the learning models. The results demonstrate greater prediction accuracy of around 96% for Stacking and Voting EML models. The proposed work is a generalized one and can be very useful for predicting the performance of large-scale solar PV power plants also.

研究动机与目标

• 通过提高光伏发电量预测的准确性，解决太阳能发电的间歇性和波动性问题。
• 评估多种集成机器学习技术在基于气象参数预测太阳能发电方面的有效性。
• 构建一个测试平台框架，用于数据预处理、特征选择和模型评估，以优化计算效率。
• 提供一种通用且可扩展的解决方案，适用于类似气候区域的大规模太阳能光伏电站。
• 利用印度东部10kWp太阳能光伏电站的真实现场数据验证模型性能。

提出的方法

• 本研究采用四种集成学习方法：Bagging、Boosting、Stacking和Voting，以提高预测的鲁棒性。
• 设计了一个综合性的测试平台框架，支持数据挖掘、特征选择和降维，以降低模型复杂度。
• 将太阳辐射、环境温度、风速和降雨量等气象参数作为输入特征。
• 数据集源自印度东部一个真实的10kWp太阳能光伏电站，确保了实际应用的相关性。
• 采用标准回归指标评估模型性能，准确率作为主要评估标准。
• 应用特征选择技术，在保持预测能力的同时降低空间和时间复杂度。

实验结果

研究问题

• RQ1 在使用气象数据预测太阳能光伏发电量时，不同集成学习模型的表现如何比较？
• RQ2 特征选择和降维对模型准确率和计算效率有何影响？
• RQ3 在像印度东部这样季风和天气模式多变的地区，集成方法能否实现高精度的太阳能发电预测？
• RQ4 在Stacking和Voting两种集成模型中，哪一种能为太阳能光伏输出提供最高的预测准确率？
• RQ5 所提出的框架在多大程度上可推广用于大规模太阳能光伏电站性能预测？

主要发现

• Stacking和Voting集成模型实现了约96%的最高预测准确率。
• 所提出的测试平台框架通过有效的特征选择和降维，成功降低了空间和时间复杂度。
• 太阳辐射、环境温度、风速和降雨量等气象参数显著影响太阳能光伏发电输出。
• 与单个模型相比，集成学习方法在鲁棒性和预测准确率方面表现更优。
• 该框架具有可扩展性和通用性，适用于大规模太阳能光伏电站的部署。
• 结果表明，集成模型在复杂多变天气条件的地区进行太阳能发电预测方面极为有效。