Short-Term Solar Irradiance Forecasting Under Data Transmission Constraints

要約

太陽放射量の短期予測のためのデータを節約した機械学習モデルを報告します。
モデルの入力には、データ送信の制約を満たすためにスカラー フィーチャに縮小されたスカイ カメラ画像が含まれています。
出力放射照度値は、未知の短期ダイナミクスに焦点を当てるために変換されます。
制御理論にインスピレーションを得たノイズ入力は、測定されていない変数を反映するために使用され、モデルの予測を大幅に改善することが示されています。
NREL 太陽放射研究所からの 5 年間のデータを使用して、3 つのローリング トレイン検証セットを作成し、時間の最適な表現、入力測定の最適なスパン、および最も影響力のあるモデル入力データ (特徴) を決定しました。
選択したテスト データについて、モデルは、曇り持続モデルを使用したベースライン 134.35 $W/m^2$ と比較して、平均絶対誤差 74.34 $W/m^2$ を達成しました。

要約(オリジナル)

We report a data-parsimonious machine learning model for short-term forecasting of solar irradiance. The model inputs include sky camera images that are reduced to scalar features to meet data transmission constraints. The output irradiance values are transformed to focus on unknown short-term dynamics. Inspired by control theory, a noise input is used to reflect unmeasured variables and is shown to improve model predictions, often considerably. Five years of data from the NREL Solar Radiation Research Laboratory were used to create three rolling train-validate sets and determine the best representations for time, the optimal span of input measurements, and the most impactful model input data (features). For the chosen test data, the model achieves a mean absolute error of 74.34 $W/m^2$ compared to a baseline 134.35 $W/m^2$ using the persistence of cloudiness model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google