[论文解读] Convolutional Neural Networks Applied to Sky Images for Short-Term Solar Irradiance Forecasting

Quentin Paletta, Joan Lasenby|arXiv (Cornell University)|Jan 1, 2020

Solar Radiation and Photovoltaics参考文献 1被引用 4

一句话总结

本研究将卷积神经网络（CNNs）应用于地面天空图像序列，以预测未来20分钟内的太阳辐照度，采用均方误差（MSE）评估方法，在10分钟预测时延下达到40%的技能得分。该模型优于持续性基线模型，并表明在训练中引入同日历史数据可使性能提升10%，凸显了短期辐照度预测中时间上下文的重要性。

ABSTRACT

Despite considerable advances in the estimation of the solar resource, there is still a need for better solar forecasting to improve its integration into the energy supply. Fish-eye cameras are emerging in-situ meteorological sensors that have already demonstrated promising and interesting results for high temporal resolution and very short-term solar forecasting. However, current approaches to model the cloud cover dynamics from sky images still lack precision regarding the spatial configuration of clouds, their temporal dynamics and their physical interaction with solar radiation. The work described here aims at bringing innovative insights via a novel approach to irradiance forecasting using the Deep Learning framework, which constitutes an effective environment for a richer modelling of the cloud cover and its dynamics. The study shows that Convolutional Neural Networks (CNNs) are able to successfully estimate future irradiance from a sequence of past images of the sky. The corresponding 10-min forecast skill based on the Mean Square Error reaches 40% when evaluated on a set of 4000 unseen samples and shows an additional 10% performance improvement on the skill score, when past data of the same day are used to train the model. This outlines the need to incorporate historical data of the day in short term forecasting.

研究动机与目标

• 提升短期太阳辐照度预测精度，以促进太阳能发电更有效地并入电网。
• 解决现有基于天空图像的预测方法的局限性，特别是关于云层空间配置和时间动态方面的不足。
• 利用深度学习更准确地建模复杂的云层模式及其辐射效应，优于传统统计模型或持续性模型。
• 研究在训练过程中使用同日历史天空图像对短期预测精度的影响。
• 通过滤波器和激活图可视化提升模型可解释性，以理解网络用于预测的模式。

提出的方法

• 利用在法国帕莱索（2018年2月至9月）通过鱼眼相机以2分钟间隔拍摄的天空图像序列，训练深层CNN架构。
• 整合辅助数据，包括现场的辐射计测量值、太阳位置（方位角和高度角），以及太阳角度的正弦/余弦变换作为输入特征。
• 采用监督学习方法端到端训练模型，目标为未来10、15和20分钟的全球水平辐照度（GHI）。
• 基于与基于最近清晰天空指数的智能持续性模型相比的均方误差（MSE），定义技能得分指标。
• 采用梯度上升法对随机噪声输入进行滤波器可视化，生成能最大化滤波器响应的刺激，以解释学习到的特征。
• 进行中间激活可视化，以评估天空图像中哪些区域对特征学习贡献最大，并识别冗余或不活跃的滤波器。

实验结果

研究问题

• RQ1 卷积神经网络能否有效从天空图像中提取时空模式，从而在短期太阳辐照度预测中超越持续性模型？
• RQ2 与使用不同日的数据进行训练相比，在训练中包含同日历史天空图像对预测精度有何影响？
• RQ3 CNN滤波器学习检测哪些类型的云层模式和天空特征，这些特征在不同网络深度上如何演变？
• RQ4 滤波器可视化和激活图映射等可视化可解释性方法在多大程度上能揭示学习特征的物理相关性？
• RQ5 CNN模型的预测技能是否随预测窗口延长而提高，与先前研究发现的技能下降趋势相反？

主要发现

• 该CNN模型在10分钟预测时延下，基于MSE评估相对于智能持续性基线，技能得分为40%，显著优于简单持续性预测方法。
• 在同日数据上进行训练和验证——具体而言，使用上午样本进行训练，下午样本进行验证——使10分钟预测技能得分提高约10%，从0.40提升至0.44。
• 模型学习到检测太阳、远处天空和云层模式等关键天空特征，深层卷积层对复杂云层覆盖结构（包括稀疏和密集云层）有响应。
• 滤波器可视化显示，浅层网络学习抽象的低级模式，而深层网络则检测日益复杂的云层构型，表明存在分层特征学习机制。
• 与早期研究相反，预测技能并未随时间窗口延长而下降；相反，从12分钟窗口开始趋于稳定，表明在2至20分钟范围内性能保持稳定。
• 中间激活分析表明，并非第一卷积层中的全部60个滤波器都被有效利用，因此通过将滤波器数量减少至32个，实现模型简化，在不损失性能的前提下提升了效率并降低了过拟合风险。