[论文解读] PVNet: A LRCN Architecture for Spatio-Temporal Photovoltaic PowerForecasting from Numerical Weather Prediction

Johan Mathe, Nina Miolane+2 more|arXiv (Cornell University)|Feb 4, 2019

Solar Radiation and Photovoltaics参考文献 26被引用 17

一句话总结

PVNet 提出了一种长短期递归卷积网络（LRCN），整合了密集的时空数值天气预报（NWP）数据和物理模型输出，以预测德国范围内的聚合光伏（PV）发电量。与最先进模型相比，其归一化均方根误差（nRMSE）降低了1.38%，敏感性分析显示，辐照度和云量是空间上最具影响力的变量。

ABSTRACT

Photovoltaic (PV) power generation has emerged as one of the lead renewable energy sources. Yet, its production is characterized by high uncertainty, being dependent on weather conditions like solar irradiance and temperature. Predicting PV production, even in the 24-hour forecast, remains a challenge and leads energy providers to left idling - often carbon emitting - plants. In this paper, we introduce a Long-Term Recurrent Convolutional Network using Numerical Weather Predictions (NWP) to predict, in turn, PV production in the 24-hour and 48-hour forecast horizons. This network architecture fully leverages both temporal and spatial weather data, sampled over the whole geographical area of interest. We train our model on an NWP dataset from the National Oceanic and Atmospheric Administration (NOAA) to predict spatially aggregated PV production in Germany. We compare its performance to the persistence model and state-of-the-art methods.

研究动机与目标

• 为应对准确预测德国 24 小时和 48 小时时空光伏（PV）发电量的挑战，该挑战仍因太阳辐照度和天气条件的高变异性而难以解决。
• 开发一种深度学习模型，充分利用数值天气预报（NWP）数据的时间和空间维度，而非将气象变量视为孤立点处理。
• 通过将密集的空间和时间 NWP 输入整合到统一架构中，提升预测精度，超越持续性模型和最先进模型。
• 通过遮挡敏感性分析可视化输入变量对 PV 预测的空间影响，实现模型可解释性。
• 证明结合 PVNet 与敏感性分析可估算地理区域内光伏发电的表面密度。

提出的方法

• 该模型采用长短期递归卷积网络（LRCN）架构，结合卷积神经网络（CNN）进行空间特征提取，以及循环神经网络（RNN），特别是长短期记忆网络（LSTM），进行时间建模。
• 输入数据包括德国范围内历史 PV 发电量的一维时间序列，以及 NWP 变量（如太阳辐照度、温度、云量）和物理模型输出（如晴空辐照度）的二维空间网格。
• LRCN 通过卷积层处理空间 NWP 数据，提取空间模式，然后将所得特征输入 LSTM，以建模序列中的时间依赖性。
• 模型在 NOAA 的 NWP 数据集上进行训练，以预测德国在 24 小时和 48 小时时间范围内的空间聚合 PV 发电量。
• 通过遮盖输入变量的空间区域并测量预测发电量的变化，应用遮挡敏感性分析以评估空间影响。
• 结果以热图形式叠加在德国地理图上可视化，以解释每个输入变量对 PV 预测的地理影响。

实验结果

研究问题

• RQ1 LRCN 架构能否有效建模数值天气预报（NWP）数据在光伏发电预测中的时空结构？
• RQ2 与基于点或仅时间维度的模型相比，引入密集空间 NWP 和物理模型输入如何提升预测精度？
• RQ3 哪些气象变量（如辐照度、云量、温度）对德国范围内 PV 发电预测具有最强的空间影响？
• RQ4 遮挡敏感性分析能否揭示模型对输入变量关注的有意义地理模式？
• RQ5 PVNet 与敏感性分析的结合在多大程度上可估算 PV 发电的空间密度？

主要发现

• 与最先进模型相比，PVNet 在全国范围聚合 PV 发电预测中，将归一化均方根误差（nRMSE）降低了 1.38%。
• 遮挡敏感性分析显示，太阳辐照度对 PV 预测的空间影响最大，其次是云量、晴空辐照度、持续性以及温度。
• 敏感性图显示，南部和东部德国的模型关注度更高，这与实际 PV 发电密度较高相吻合，验证了模型的空间推理能力。
• 该模型成功学习了输入气象变量与 PV 输出之间的位置依赖关系，展示了超越单纯预测的改进推理能力。
• 空间 NWP 数据的整合显著提升了预测性能，证实了密集空间输入相较于点状或稀疏空间数据的价值。
• 结合 PVNet 与敏感性分析可实现对区域内发电密度的估算，为能源规划者评估 PV 潜力提供了新工具。