[论文解读] Solar Power Forecasting Using Support Vector Regression

Mohamed Abuella, Badrul Chowdhury|arXiv (Cornell University)|Mar 29, 2017

Energy Load and Power Forecasting参考文献 14被引用 32

一句话总结

本文提出了一种支持向量回归（SVR）模型，利用12个气象变量及热感指数和风速等导出特征，实现24小时 ahead 太阳能发电预测。SVR模型在全年滚动预测框架下，优于人工神经网络和多元线性回归模型，展现出更优的准确性和鲁棒性，适用于季节性变化下的实际应用。

ABSTRACT

Generation and load balance is required in the economic scheduling of generating units in the smart grid. Variable energy generations, particularly from wind and solar energy resources, are witnessing a rapid boost, and, it is anticipated that with a certain level of their penetration, they can become noteworthy sources of uncertainty. As in the case of load demand, energy forecasting can also be used to mitigate some of the challenges that arise from the uncertainty in the resource. While wind energy forecasting research is considered mature, solar energy forecasting is witnessing a steadily growing attention from the research community. This paper presents a support vector regression model to produce solar power forecasts on a rolling basis for 24 hours ahead over an entire year, to mimic the practical business of energy forecasting. Twelve weather variables are considered from a high-quality benchmark dataset and new variables are extracted. The added value of the heat index and wind speed as additional variables to the model is studied across different seasons. The support vector regression model performance is compared with artificial neural networks and multiple linear regression models for energy forecasting.

研究动机与目标

• 开发一种适用于实际电网集成的稳健、滚动式24小时太阳能发电预测模型。
• 评估额外气象特征（尤其是热感指数和风速）对不同季节预测准确性的影响。
• 比较支持向量回归（SVR）在太阳能发电预测中相对于人工神经网络（ANN）和多元线性回归（MLR）的性能表现。
• 利用高质量基准数据集及提取的气象特征，提升预测可靠性。
• 在不同天气条件下，评估模型在全年范围内的泛化能力和稳定性。

提出的方法

• 本研究采用径向基函数（RBF）核的SVR模型，以捕捉气象输入与太阳能发电输出之间的非线性关系。
• 使用12个气象变量，包括温度、湿度、太阳辐照度和风速，并引入热感指数等导出特征。
• 实施滚动预测框架，每日基于时间序列数据更新未来24小时的预测结果。
• 应用特征选择与归一化处理，以提升模型收敛性与泛化能力。
• 使用来自基准太阳能能效监测站的全年数据集进行模型训练与验证。
• 采用RMSE、MAE和R²等标准指标评估性能，并与SVR、ANN和MLR基线模型进行对比。

实验结果

研究问题

• RQ1 将热感指数和风速作为输入特征，对SVR模型在不同季节的太阳能发电预测准确性有何影响？
• RQ2 在24小时 ahead 太阳能发电预测中，SVR性能与人工神经网络及多元线性回归相比如何？
• RQ3 滚动SVR框架是否能在全年多变天气条件下保持一致的预测准确性？
• RQ4 气象变量在太阳能发电预测误差降低中的相对贡献如何？
• RQ5 SVR模型在太阳辐照度和大气条件季节性变化下是否表现出鲁棒性与稳定性？

主要发现

• SVR模型在所有测试模型中取得了最低的均方根误差（RMSE），表明其具有更优的预测准确性。
• 引入热感指数和风速作为特征后，预测性能得到提升，尤其在夏季和冬季月份，RMSE相比基线模型最高降低12%。
• 与ANN和MLR模型相比，SVR在所有季节中表现出更高的稳定性和更低的预测误差方差。
• 模型在整个12个月期间保持了稳定的性能，证实其在真实运行环境下的鲁棒性。
• 人工神经网络预测方差较高，对季节变化更敏感，尤其在日照不足时期表现更明显。
• 多元线性回归表现最弱，误差率最高，尤其在高辐照度和天气快速变化条件下表现不佳。