[论文解读] SolarisNet: A Deep Regression Network for Solar Radiation Prediction

Subhadip Dey, Sawon Pratiher+2 more|arXiv (Cornell University)|Nov 22, 2017

Solar Radiation and Photovoltaics被引用 4

一句话总结

SolarisNet 是一个六层深度回归神经网络，利用历史智能电网数据预测全球太阳辐射（GSR），在日度 GSR 预测中优于现有最先进模型。该模型基于印度加尔瓦尼附近两个气象站的数据进行训练，可在无需依赖昂贵辐射计或专家干预测量的情况下，实现精确且低成本的 GSR 估算。

ABSTRACT

Effective utilization of photovoltaic (PV) plants requires weather variability robust global solar radiation (GSR) forecasting models. Random weather turbulence phenomena coupled with assumptions of clear sky model as suggested by Hottel pose significant challenges to parametric & non-parametric models in GSR conversion rate estimation. Also, a decent GSR estimate requires costly high-tech radiometer and expert dependent instrument handling and measurements, which are subjective. As such, a computer aided monitoring (CAM) system to evaluate PV plant operation feasibility by employing smart grid past data analytics and deep learning is developed. Our algorithm, SolarisNet is a 6-layer deep neural network trained on data collected at two weather stations located near Kalyani metrological site, West Bengal, India. The daily GSR prediction performance using SolarisNet outperforms the existing state of art and its efficacy in inferring past GSR data insights to comprehend daily and seasonal GSR variability along with its competence for short term forecasting is discussed.

研究动机与目标

• 开发一种稳健、数据驱动的全球太阳辐射（GSR）预测模型，以减少对昂贵辐射计和人工干预的依赖。
• 应对天气波动以及清晰天空模型在 GSR 估算中局限性带来的挑战。
• 通过计算机辅助监测（CAM）系统，实现对光伏（PV）电站运行可行性评估的有效支持。
• 利用历史气象站数据进行深度学习，提升短期 GSR 预测的准确性。
• 通过在历史数据上进行模型推理，提供对日度和季节性 GSR 变异性的深入见解。

提出的方法

• 一个六层深度神经网络（SolarisNet）基于从印度西孟加拉邦卡利尼亚附近两个气象站收集的历史全球太阳辐射数据进行训练。
• 该模型利用历史智能电网数据进行回归分析，实现 GSR 预测，避免依赖物理辐射计仪器。
• SolarisNet 采用深度学习技术，学习输入气象变量与 GSR 输出之间复杂的非线性关系。
• 该架构针对回归任务进行了优化，训练重点在于最小化日度 GSR 值的预测误差。
• 通过在相同区域的测试数据上使用标准回归指标评估模型性能。
• 该系统支持对历史 GSR 模式进行回溯分析，以及短期预测。

实验结果

研究问题

• RQ1 基于深度学习的回归模型是否能在全球太阳辐射预测中优于现有参数化和非参数化模型？
• RQ2 历史智能电网数据在多大程度上可替代昂贵的辐射计测量，以实现精确的 GSR 估算？
• RQ3 深度神经网络在多大程度上能从历史数据中推断出日度和季节性 GSR 变异性？
• RQ4 与最先进方法相比，SolarisNet 在短期 GSR 预测中的表现如何？
• RQ5 基于深度学习的计算机辅助监测系统是否能提升光伏电站可行性评估的效率？

主要发现

• 与现有最先进模型相比，SolarisNet 在日度全球太阳辐射（GSR）预测中表现出更优的性能。
• 该模型能有效推断历史 GSR 数据模式，从而为日度和季节性太阳辐射变异性的理解提供有意义的洞察。
• SolarisNet 展现出利用仅历史智能电网数据进行短期 GSR 预测的强大能力。
• 该深度回归网络显著降低了对昂贵辐射计和人工依赖测量的依赖，适用于 GSR 估算。
• 该模型的架构与训练方法可实现精确且低成本的 GSR 预测，适用于光伏电站监测与可行性分析。
• 性能评估结果证实，SolarisNet 在 GSR 转换率估算方面优于传统参数化和非参数化模型。