[论文解读] Two-Tier Prediction of Solar Power Generation with Limited Sensing Resource

Yübo Wang, Bin Wang+4 more|arXiv (Cornell University)|Aug 11, 2015

Solar Radiation and Photovoltaics参考文献 15被引用 3

一句话总结

本文提出一种仅使用历史功率数据和有限传感资源的两层预测框架，用于24小时太阳能发电预测。该方法结合基于加权k-最近邻（k-NN）或神经网络的全局预测与局部层自适应残差校正，相较于传统日前预测方法，在35kW的UCLA微电网测试平台上实现了更高的预测精度。

ABSTRACT

This paper considers a typical solar installations scenario with limited sensing resources. In the literature, there exist either day-ahead solar generation prediction methods with limited accuracy, or high accuracy short timescale methods that are not suitable for applications requiring longer term prediction. We propose a two-tier (global-tier and local-tier) prediction method to improve accuracy for long term (24 hour) solar generation prediction using only the historical power data. In global-tier, we examine two popular heuristic methods: weighted k-Nearest Neighbors (k-NN) and Neural Network (NN). In local-tier, the global-tier results are adaptively updated using real-time analytical residual analysis. The proposed method is validated using the UCLA Microgrid with 35kW of solar generation capacity. Experimental results show that the proposed two-tier prediction method achieves higher accuracy compared to day-ahead predictions while providing the same prediction length. The difference in the overall prediction performance using either weighted k-NN based or NN based in the global-tier are carefully discussed and reasoned. Case studies with a typical sunny day and a cloudy day are carried out to demonstrate the effectiveness of the proposed two-tier predictions.

研究动机与目标

• 在传感资源有限的条件下，提升24小时太阳能发电预测的准确性。
• 解决现有太阳能预测方法中精度与预测时长之间的权衡问题。
• 开发一种两层框架，利用历史功率数据，无需实时气象或辐照度传感器。
• 在具有35kW太阳能容量的真实微电网上验证该方法。

提出的方法

• 全局层基于仅历史功率数据，使用加权k-最近邻（k-NN）或神经网络（NN）生成初始24小时预测。
• 局部层通过实时分析残差，自适应地校正全局层的预测结果。
• 对历史预测与实际测量之间的残差进行建模，并动态更新，以提升短期预测精度。
• 该框架在UCLA微电网的35kW太阳能装置上实现并测试，其传感基础设施有限。
• 对比评估了两种全局层模型（加权k-NN与NN）在不同天气条件下的性能与鲁棒性。
• 该方法避免依赖外部气象数据，仅依赖历史功率测量值和实时残差反馈。

实验结果

研究问题

• RQ1 仅使用历史功率数据和有限传感资源，两层预测框架能否提升24小时太阳能发电预测的准确性？
• RQ2 在长期太阳能预测中，加权k-NN与神经网络模型在全局层性能上如何比较？
• RQ3 在天气多变条件下，局部层残差校正对预测精度的提升程度如何？
• RQ4 该方法在无需额外传感器输入的情况下，对晴天和阴天是否均有效？
• RQ5 仅依靠功率测量数据，该框架能否在不同太阳辐照度模式下保持高精度？

主要发现

• 两层方法在24小时太阳能发电预测中，精度高于标准日前预测方法。
• 在不同天气条件下，基于加权k-NN的全局层在稳定性和准确性方面优于基于NN的全局层。
• 局部层残差校正通过自适应响应实时偏差，显著提升了短期预测精度。
• 晴天与阴天的案例研究证实了该方法在多样化辐照度模式下的鲁棒性与有效性。
• 该框架无需额外传感器，仅依赖历史功率数据和实时残差，即可保持高精度。