[论文解读] Evaluation of Time-Series, Regression and Neural Network Models for Solar Forecasting: Part I: One-Hour Horizon

Alireza Inanlougani, T. Agami Reddy+1 more|arXiv (Cornell University)|Aug 22, 2017

Solar Radiation and Photovoltaics参考文献 24被引用 3

一句话总结

本研究评估了时间序列、回归和神经网络模型在三个不同气候条件的美国城市中进行一小时 ahead 太阳辐照度预测的表现。采用月度尺度调整并以云量作为回归变量的 LMX2 模型优于传统的 ARIMA 和基线模型，而人工神经网络（ANN）则表现出最高的准确性，确立了 ANNs 在一小时时间尺度短时太阳能预测中的最高效方法。

ABSTRACT

The need to forecast solar irradiation at a specific location over short-time horizons has acquired immense importance. In this paper, we report on analyses results involving statistical and machine learning techniques to predict hourly horizontal solar irradiation at one-hour ahead horizon using data sets from three different cities in the U.S. with different climatic conditions. A simple forecast approach that assumes consecutive days are identical serves as a baseline model against which to compare competing forecast alternatives. One approach is to use seasonal ARIMA models. Surprisingly, such models are found to be poorer than the simple forecast. To account for seasonal variability and capture short-term fluctuations, cloud cover is an obvious variable to consider. Monthly models with cloud cover as regressor were found to outperform the simple forecast model. More sophisticated lagged moving average (LMX) models were also evaluated, and one of the variants, LMX2, identified at monthly time scales, proved to be the best choice. Finally, the LMX2 model is compared against artificial neural network (ANN) models and the latter proved to be more accurate. The companion paper will present algorithms and results of how such models can be used for 4-hr rolling horizon and 24-hr ahead forecasting.

研究动机与目标

• 比较统计模型、基于回归的模型和机器学习模型在一小时 ahead 太阳辐照度预测中的表现。
• 评估在不同气候条件下，季节性 ARIMA、滞后移动平均（LMX）和人工神经网络（ANN）模型的性能。
• 评估将云量作为回归变量对提升预测精度的影响。
• 识别在一小时时间尺度短时太阳能辐照度预测中表现最准确的模型架构。
• 通过假设连续日期相同的简单预测模型建立基准。

提出的方法

• 基线预测模型假设某一天的太阳辐照度与前一天完全相同。
• 季节性 ARIMA 模型被用于捕捉太阳辐照度数据中的时间模式和季节性特征。
• 开发了包含云量作为预测因子的月度回归模型，以反映季节性和短期变化。
• 在月度时间尺度上评估了滞后移动平均（LMX）模型，特别是 LMX2，以提高预测精度。
• 使用历史辐照度和云量数据训练并测试了人工神经网络（ANN）模型。
• 通过 RMSE 和 MAE 等标准指标，在三个具有不同气候条件的美国城市中评估了模型性能。

实验结果

研究问题

• RQ1 季节性 ARIMA 模型与简单基线预测在太阳能辐照度一小时预测中的表现如何比较？
• RQ2 在月度回归模型中，将云量作为回归变量是否能提升预测精度？
• RQ3 哪种 LMX 模型架构变体在太阳能一小时 ahead 预测中表现最佳？
• RQ4 人工神经网络在该预测任务中的表现与传统统计和回归模型相比如何？
• RQ5 气候变异性对不同美国城市中模型性能的相对影响是什么？

主要发现

• 假设连续日期相同的简单基线模型优于季节性 ARIMA 模型，表明 ARIMA 在此时间尺度下难以捕捉太阳辐照度的动态变化。
• 使用云量作为回归变量的月度回归模型显著提升了预测精度，优于基线模型。
• 在传统统计模型中，经过月度时间尺度优化的 LMX2 模型表现最佳。
• 人工神经网络（ANN）在所有其他模型（包括 LMX2）中表现出最优的准确性，适用于一小时 ahead 太阳辐照度预测。
• LMX2 模型被确定为表现最佳的传统统计模型，但 ANNs 在所有测试地点中仍提供了最高的预测精度。