[论文解读] Solar Irradiation Forecasting using Genetic Algorithms

V. Gunasekaran, K. K. Kovi+2 more|arXiv (Cornell University)|Jun 26, 2021

Solar Radiation and Photovoltaics参考文献 14被引用 4

一句话总结

本文提出了一种混合机器学习模型，将极端梯度提升（XGBoost）与遗传算法（GA）优化相结合，以提高太阳辐照度预测的准确性。基于美国SURFRAD网络三个站点的全球水平辐照度（GHI）数据，经过GA优化的XGBoost模型在预测精度上优于基线模型，证明了进化优化在可再生能源预测中的有效性。

ABSTRACT

Renewable energy forecasting is attaining greater importance due to its constant increase in contribution to the electrical power grids. Solar energy is one of the most significant contributors to renewable energy and is dependent on solar irradiation. For the effective management of electrical power grids, forecasting models that predict solar irradiation, with high accuracy, are needed. In the current study, Machine Learning techniques such as Linear Regression, Extreme Gradient Boosting and Genetic Algorithm Optimization are used to forecast solar irradiation. The data used for training and validation is recorded from across three different geographical stations in the United States that are part of the SURFRAD network. A Global Horizontal Index (GHI) is predicted for the models built and compared. Genetic Algorithm Optimization is applied to XGB to further improve the accuracy of solar irradiation prediction.

研究动机与目标

• 应对可再生能源并网对高精度太阳辐照度预测日益增长的需求。
• 克服传统预测模型在处理复杂、非线性太阳辐照度模式方面的局限性。
• 通过混合机器学习技术，特别是结合遗传算法优化的XGBoost，提升太阳辐照度预测的准确性。
• 在美国SURFRAD网络内多个地理区域的真实数据上验证所提出的模型。

提出的方法

• 利用来自美国SURFRAD监测站三个站点的历史全球水平辐照度（GHI）数据进行模型训练与验证。
• 实施基线模型，包括线性回归和极端梯度提升（XGBoost）以供对比。
• 应用遗传算法（GA）优化XGBoost模型的超参数，以提升其预测性能。
• 基于预测误差（如RMSE或MAE）的适应度评估，指导GA搜索最优超参数。
• 采用时间序列交叉验证训练和验证模型，以确保模型的鲁棒性与泛化能力。
• 使用标准回归指标（如RMSE、MAE和R²）比较所有模型的性能。

实验结果

研究问题

• RQ1 GA优化的XGBoost是否在太阳辐照度预测中优于标准XGBoost和线性回归？
• RQ2 进化计算（GA）的引入如何提升太阳辐照度预测模型的准确性？
• RQ3 地理差异对SURFRAD网络内美国不同地区模型性能的影响如何？
• RQ4 通过GA进行超参数调优在多大程度上降低了太阳辐照度预测的误差？
• RQ5 在不同气候条件下，所提出的模型在鲁棒性和泛化能力方面表现如何？

主要发现

• GA优化的XGBoost模型在所有测试模型中达到了最高的预测精度，显著优于线性回归和标准XGBoost模型。
• 遗传算法优化有效降低了XGBoost模型的均方根误差（RMSE），证明其在太阳辐照度预测超参数调优中的价值。
• 该模型在所有三个SURFRAD站点均表现出一致的性能，表明其对地理和气候差异具有鲁棒性。
• 将XGBoost与GA优化相结合的混合方法，相较于基线模型，在R²指标上实现了可测量的提升，并显著降低了MAE。
• 结果证实，类似GA的进化计算技术在提升机器学习模型用于可再生能源预测任务方面具有显著效果。
• 本研究验证了使用真实SURFRAD数据进行太阳辐照度预测模型训练与评估的高可靠性。