[论文解读] Predictability of PV Power Grid Performance on Insular Sites without Weather Stations: Use of Artificial Neural Networks

Cyril Voyant, Marc Muselli+4 more|arXiv (Cornell University)|Jan 1, 2009

Solar Radiation and Photovoltaics参考文献 7被引用 12

一句话总结

本研究提出一种迁移学习方法，利用在科西嘉岛阿雅克肖长期全球太阳辐照度数据（16年）上训练的神经网络（ANN），预测无气象站的邻近区域的太阳能性能。通过利用单一高精度观测站点（16年小时/日数据）的数据，该方法在远距离地点（巴斯特亚，沿海；科特，山地）实现了高精度预测，其误差显著低于持续性模型，尤其在小时尺度预测和10公里外的光伏功率输出估算方面表现优异。

ABSTRACT

The official meteorological network is poor on the island of Corsica: only three sites being about 50 km apart are equipped with pyranometers which enable measurements by hourly and daily step. These sites are Ajaccio (41°55’N and 8°48’E, seaside), Bastia (42°33’N, 9°29’E, seaside) and Corte (42°30’N, 9°15’E average altitude of 486 meters). This lack of weather station makes difficult the predictability of PV power grid performance. This work intends to study a methodology which can predict global solar irradiation using data available from another location for daily and hourly horizon. In order to achieve this prediction, we have used Artificial Neural Network which is a popular artificial intelligence technique in the forecasting domain. A simulator has been obtained using data available for the station of Ajaccio that is the only station for which we have a lot of data: 16 years from 1972 to 1987. Then we have tested the efficiency of this simulator in two places with different geographical features: Corte, a mountainous region and Bastia, a coastal region. On daily horizon, the relocation has implied fewer errors than a “naïve” prediction method based on the persistence (RMSE=1468 Vs 1383Wh/m² to Bastia and 1325 Vs 1213Wh/m² to Corte). On hourly case, the results were still satisfactory, and widely better than persistence (RMSE=138.8 Vs 109.3 Wh/m² to Bastia and 135.1 Vs 114.7 Wh/m² to Corte). The last experiment was to evaluate the accuracy of our simulator on a PV power grid localized at 10 km from the station of Ajaccio. We got errors very suitable (nRMSE=27.9%, RMSE=99.0 W.h) compared to those obtained with the persistence (nRMSE=42.2%, RMSE=149.7 W.h).

研究动机与目标

• 解决岛屿地区在气象站网络稀疏的情况下缺乏太阳辐射测量数据的问题。
• 开发一种迁移学习方法，用于预测无历史数据的地点的太阳辐照度。
• 评估在阿雅克肖（训练站点）数据上训练的ANN在地理上不同的地点（巴斯特亚和科特）预测辐照度的性能。
• 评估模型在预测附近并网系统实际光伏功率输出方面的准确性。
• 证明利用单一数据丰富的站点支持多种微气候区域太阳能规划的可行性。

提出的方法

• 在阿雅克肖1972–1987年共16年的小时和日全球水平辐照度数据上训练多层感知机（MLP）ANN。
• 使用80%的数据进行训练，20%用于测试，输入层设8个神经元（过去8个时间步），输出层设1个神经元用于下一步预测。
• 通过将辐照度除以太阳外部辐照度和太阳高度角正弦值（sin(θ)）实现数据平稳化，以消除年周期和日周期性。
• 将训练好的ANN迁移至科特（山地）和巴斯特亚（沿海）进行辐照度预测，仅使用阿雅克肖训练的模型。
• 利用位于阿雅克肖10公里外的6.525千瓦光伏系统实测数据对预测结果进行验证，采用线性光伏效率模型（ηPV = 13%）。
• 采用均方根误差（RMSE）、归一化均方根误差（nRMSE）和相关系数（CC）评估性能，并与持续性基线模型进行对比。

实验结果

研究问题

• RQ1 在单一站点长期辐照度数据上训练的ANN能否在无本地测量数据的另一地点实现准确的太阳辐照度预测？
• RQ2 与基于持续性的预报相比，迁移学习的ANN在日尺度和小时尺度辐照度预测中的表现如何？
• RQ3 该模型在不同微气候区域（沿海的巴斯特亚和山地的科特）相对于训练站点（阿雅克肖）是否保持预测准确性？
• RQ4 单一ANN在单一站点训练后，能在多大程度上准确预测附近并网系统的真实光伏功率输出？
• RQ5 基于阿雅克肖极端辐照度的归一化处理，如何影响在辐照度范围不同的站点迁移预测时的准确性？

主要发现

• 在小时尺度上，迁移学习的ANN在巴斯特亚的RMSE为109.3 Wh/m²，在科特为114.7 Wh/m²，显著低于持续性模型（分别为138.8和135.1 Wh/m²）。
• 在日尺度上，ANN将RMSE降低至巴斯特亚1383 Wh/m²（持续性模型为1468 Wh/m²），科特1213 Wh/m²（持续性模型为1325 Wh/m²）。
• 对于10公里外系统的光伏功率输出预测，nRMSE为27.9%，RMSE为99.0 Wh，优于持续性模型（nRMSE为42.2%，RMSE为149.7 Wh）。
• 模型与实测数据的相关系数（CC）超过0.84，表明尽管发生迁移，仍能可靠捕捉时间序列模式。
• 由于使用阿雅克肖的辐照度极端值进行归一化，巴斯特亚在低辐照度时出现过预测、高辐照度时出现欠预测，表明跨站点归一化存在局限性。
• 结果表明阿雅克肖、科特和巴斯特亚之间存在潜在的气候关联，使得在不同地形之间可靠传递辐照度预测成为可能。