[论文解读] Solar Power Prediction Using Machine Learning

Et al. Rajasekaran Subramanian, M. Mithun Karthik+3 more|arXiv (Cornell University)|Mar 11, 2023

Energy Load and Power Forecasting被引用 6

一句话总结

本文提出了一种基于支持向量机（SVM）、随机森林和梯度提升的机器学习框架，利用预处理后的气象、辐照度和历史发电数据，实现高精度的太阳能发电预测。模型AUC达到99%，展现出在实时能源系统管理与能效优化方面的优异性能。

ABSTRACT

This paper presents a machine learning-based approach for predicting solar power generation with high accuracy using a 99% AUC (Area Under the Curve) metric. The approach includes data collection, pre-processing, feature selection, model selection, training, evaluation, and deployment. High-quality data from multiple sources, including weather data, solar irradiance data, and historical solar power generation data, are collected and pre-processed to remove outliers, handle missing values, and normalize the data. Relevant features such as temperature, humidity, wind speed, and solar irradiance are selected for model training. Support Vector Machines (SVM), Random Forest, and Gradient Boosting are used as machine learning algorithms to produce accurate predictions. The models are trained on a large dataset of historical solar power generation data and other relevant features. The performance of the models is evaluated using AUC and other metrics such as precision, recall, and F1-score. The trained machine learning models are then deployed in a production environment, where they can be used to make real-time predictions about solar power generation. The results show that the proposed approach achieves a 99% AUC for solar power generation prediction, which can help energy companies better manage their solar power systems, reduce costs, and improve energy efficiency.

研究动机与目标

• 开发一个稳健的机器学习流程，以实现高精度的太阳能发电预测，支持能源系统优化。
• 通过利用包括气象、辐照度和历史发电数据在内的多样化高质量数据源，应对太阳能发电波动性的挑战。
• 评估并比较多种监督学习算法——SVM、随机森林和梯度提升——在太阳能发电预测中的表现。
• 通过AUC、精确率、召回率和F1分数等标准指标，实现高性能模型。
• 将训练好的模型部署于生产环境，实现实时太阳能发电预测。

提出的方法

• 从多个来源收集并预处理高质量数据，包括气象、太阳辐照度和历史太阳能发电数据，执行异常值剔除、缺失值填补和数据归一化处理。
• 执行特征选择，聚焦于温度、湿度、风速和太阳辐照度等关键预测变量，以提升模型泛化能力。
• 在大规模历史数据集上训练三种监督学习模型：支持向量机（SVM）、随机森林和梯度提升。
• 使用多种指标评估模型性能：AUC（曲线下面积）、精确率、召回率和F1分数，以确保结果的稳健性与可靠性。
• 将表现最佳的模型部署于生产环境，实现实时太阳能发电预测。
• 采用标准化的训练与评估流程，确保结果可复现且具备实际部署能力。

实验结果

研究问题

• RQ1 结合多样化数据源的机器学习流程能否实现高精度的太阳能发电预测？
• RQ2 在预测太阳能发电方面，不同集成模型与基于核函数的模型（SVM、随机森林、梯度提升）表现如何比较？
• RQ3 数据预处理与特征选择在太阳能预测中对模型性能的提升程度如何？
• RQ4 所提出的模型能否在实际太阳能发电预测任务中实现高AUC分数（例如99%）？
• RQ5 将训练好的模型部署于生产环境以实现实时预测的效率如何？

主要发现

• 所提出的机器学习框架实现了99%的AUC，表明其在预测太阳能发电方面具备出色的判别能力。
• 在评估的模型中，表现最佳的算法（未明确命名）在精确率、召回率和F1分数指标上均表现优异。
• 数据预处理步骤（包括异常值剔除、缺失值处理和归一化）显著提升了模型的稳定性和准确性。
• 聚焦于气象与辐照度变量的特征选择，增强了模型的可解释性与预测性能。
• 训练好的模型已成功部署于生产环境，实现实时太阳能发电预测。
• 高AUC分数表明该模型在集成能源管理系统方面具有强大潜力，有助于降低运营成本并提升电网效率。