[论文解读] Solar radiation forecasting using ad-hoc time series preprocessing and neural networks

Christophe Paoli, Cyril Voyant+2 more|ArXiv.org|Jun 1, 2009

Solar Radiation and Photovoltaics参考文献 9被引用 6

一句话总结

本文提出了一种新颖的太阳辐射预测方法，采用临时时间序列预处理和多层感知机（MLP）神经网络，以预测水平面上的每日全球太阳辐射。该方法实现了nRMSE < 21%且RMSE < 998 Wh/m²，优于传统的ARIMA、贝叶斯推断、马尔可夫链和k-NN近似器方法，其中预处理显著降低了预测误差。

ABSTRACT

In this paper, we present an application of neural networks in the renewable energy domain. We have developed a methodology for the daily prediction of global solar radiation on a horizontal surface. We use an ad-hoc time series preprocessing and a Multi-Layer Perceptron (MLP) in order to predict solar radiation at daily horizon. First results are promising with nRMSE &lt; 21% and RMSE &lt; 998 Wh/m2. Our optimized MLP presents prediction similar to or even better than conventional methods such as ARIMA techniques, Bayesian inference, Markov chains and k-Nearest-Neighbors approximators. Moreover we found that our data preprocessing approach can reduce significantly forecasting errors.

研究动机与目标

• 开发一种基于机器学习的稳健方法，用于预测水平面上的每日全球太阳辐射。
• 通过设计针对太阳辐射数据特异的时间序列预处理策略，提升预测精度。
• 评估多层感知机（MLP）与传统统计和概率预测技术的性能表现。
• 证明预处理可显著降低太阳辐射预测中的误差。
• 提供一种数据驱动的替代方案，相较于传统模型具备更好的泛化能力和适应性。

提出的方法

• 对历史全球太阳辐射数据应用临时时间序列预处理流程，以增强时间模式并减少噪声。
• 将预处理后的数据输入多层感知机（MLP）神经网络，用于训练每日预测任务。
• 通过超参数调优优化MLP架构，以提升泛化能力和预测精度。
• 利用特定时间段内的真实太阳辐射测量数据进行模型训练与验证。
• 采用标准指标评估性能：归一化均方根误差（nRMSE）和均方根误差（RMSE）。
• 将该方法与ARIMA、贝叶斯推断、马尔可夫链和k-最近邻（k-NN）方法进行基准对比。

实验结果

研究问题

• RQ1 与标准方法相比，定制的时间序列预处理策略是否能提升太阳辐射预测的准确性？
• RQ2 基于MLP的神经网络在每日太阳辐射预测中，与ARIMA和k-NN等传统统计模型相比表现如何？
• RQ3 预处理在多大程度上减少了太阳辐射时间序列的预测误差？
• RQ4 所提出的MLP模型是否能够实现低于现有基准技术的nRMSE和RMSE？
• RQ5 定制化预处理与神经网络的结合是否能带来更稳健、更精确的太阳辐射预测？

主要发现

• 所提方法实现了nRMSE低于21%，表明其在每日太阳辐射预测中具有出色的预测精度。
• 优化后的MLP模型的RMSE小于998 Wh/m²，表明其在绝对误差方面具有高精度。
• MLP模型在性能上优于或至少匹配ARIMA、贝叶斯推断、马尔可夫链和k-NN近似器等传统方法。
• 临时预处理步骤显著降低了预测误差，凸显其在模型性能中的关键作用。
• 结果表明，定制化数据预处理可增强神经网络在太阳辐射预测中的有效性。
• 本研究证实，结合定制预处理的神经网络是传统统计模型的可行且高性能的替代方案。