[论文解读] Forecasting Solar Power Generation on the basis of Predictive and Corrective Maintenance Activities

Soham Vyas, Yuvraj Goyal+5 more|arXiv (Cornell University)|May 17, 2022

Solar Radiation and Photovoltaics被引用 8

一句话总结

本文提出了一种新颖的机器学习框架，通过整合预测性维护和纠正性维护数据与气象变量，提升了太阳能发电量的预测精度。基于2012–2020年期间一个1MW太阳能电站的数据集，该方法利用哈希映射和自然语言处理技术，将非结构化的维护日志转化为结构化特征，通过相关性与因果性驱动的特征选择方法，实现了更高的预测精度。

ABSTRACT

Solar energy forecasting has seen tremendous growth in the last decade using historical time series collected from a weather station, such as weather variables wind speed and direction, solar radiance, and temperature. It helps in the overall management of solar power plants. However, the solar power plant regularly requires preventive and corrective maintenance activities that further impact energy production. This paper presents a novel work for forecasting solar power energy production based on maintenance activities, problems observed at a power plant, and weather data. The results accomplished on the datasets obtained from the 1MW solar power plant of PDEU (our university) that has generated data set with 13 columns as daily entries from 2012 to 2020. There are 12 structured columns and one unstructured column with manual text entries about different maintenance activities, problems observed, and weather conditions daily. The unstructured column is used to create a new feature column vector using Hash Map, flag words, and stop words. The final dataset comprises five important feature vector columns based on correlation and causality analysis.

研究动机与目标

• 解决太阳能发电预测中忽视维护活动对发电量影响的空白。
• 建立模型以分析预测性与纠正性维护事件对太阳能发电量的影响。
• 开发一种特征工程流程，从非结构化维护日志中提取可操作的洞察。
• 通过结合气象数据与维护事件特征，提升预测精度。

提出的方法

• 作者收集了一个覆盖2012–2020年期间的1MW太阳能电站数据集，包含13个每日列，其中一列为非结构化的维护日志文本列。
• 应用自然语言处理技术——哈希映射、标志词识别与停用词过滤，将非结构化的维护条目转换为结构化特征向量。
• 特征选择基于相关性与因果性分析，以识别对预测最具相关性的五个特征向量。
• 在最终数据集上训练机器学习模型，该数据集结合了气象变量与工程化后的维护特征，以预测每日太阳能发电量。

实验结果

研究问题

• RQ1 预测性与纠正性维护活动如何影响每日太阳能发电量？
• RQ2 非结构化维护日志在多大程度上可被转化为用于发电预测的预测性特征？
• RQ3 气象与维护特征的何种组合能实现最高的预测精度？
• RQ4 基于因果关系的特征选择方法是否能提升模型性能，相较于标准的相关性方法？

主要发现

• 与仅使用气象数据的模型相比，整合维护相关特征显著提升了太阳能发电预测的准确性。
• 特征工程流程成功利用哈希映射与自然语言处理技术，将非结构化维护日志转化为可量化的输入。
• 相关性与因果性分析识别出五个对预测性能贡献最大的关键特征向量。
• 最终模型在1MW太阳能电站的真实世界数据上表现出更强的鲁棒性与预测能力。