利用机器学习预测天气对太阳能发电的影响外文翻译资料

英语原文共 6 页，剩余内容已隐藏，支付完成后下载完整资料

利用机器学习预测天气对太阳能发电的影响

Navin Sharma, Pranshu Sharma, David Irwin, Prashant Shenoy

（马萨诸塞大学阿默斯特分校计算机科学系，美国 01003）

摘要：智能电网计划的主要目标是显著提高电网能源贡献中可再生能源的比例。相比于把可再生能源整合到电网，难点在于可再生能源是间歇性的和不可控的。因此，预测可再生能源的发电量是至关重要的，因为电网调度必须根据发电的需求。虽然传统的方法开发可用于大型太阳能发电场的预测模型是可行的，但在预测数以百万计的家庭对分布式发电在整个电网中的情况是一个具有挑战性的问题。为解决这个问题，在本文中，我们探索并创造了利用机器学习技术根据国家气象局（NWS）天气预报数据建立太阳能发电特定地点的预测模型。我们比较多元回归方法生成预测模型，包括使用多个内核函数的线性最小二乘和支持向量机。我们评估使用历史NWS预测和太阳能强度读数并从气象站部署了将近一年，验证了每个模型的准确性。我们的研究结果表明，基于SVM的预测模型，七个不同的气象预报指标是27％，我们的网站比现有的基于预测的模型更加精确。

1 引言

智能电网工作的一个主要目标是大幅提高的环保可再生能源，如太阳能和风能的渗透。例如，可再生能源比例标准的目标为从间歇性可再生能源^[1]能源发电的25％，而行政命令S-21-09在加利福尼亚州要求他们这一代人的33％，到2020年来自可再生能源^[2]。可再生能源的大量电网整合是具有挑战性的，因为它们的发电是间歇性和不可控的。现代电网允许住户在任何时间消耗基本上任意数量的电力，而不是目前专为浩大的数量无法控制的产生。相反，电网持续监视对电力的需求，并调度发电机，以满足需求，因为它上升和下降。幸运的是，聚集数千楼房和民房当电力需求是高度可预测的。其结果是，今天的网格能够提前发电机派遣其中，准确地规划以满足需求。

有大量的可再生的集成的问题是可再生能源产生的电力是不容易事先预测的和变化的基础上既天气条件和特定于站点的条件。虽然实用程序可能需要时间来手动开发产生多兆瓦，手工开发，在在智能家居和楼宇许多小规模设施预计从分布式发电的功率输出专业模特大型太阳能发电场准确的预测模型整个网格是不可行。这一事实在当前净计量法对大多数州，它允许消费者出售从现场可再生能源回电网产生的能量是显而易见的，但通常放在参与客户的两个总数和/或总量低上限能量每个客户贡献^[3]。作为一个例子，美国马萨诸塞州帽在所有客户的1％的参与客户的总数。公用事业限制可再生能源的贡献，因为，不像用电需求，可再生能源发电是不容易预测，并网发电的发电机调度时间表提前规划复杂化。

为了便于更好地规划和降低屏障增加可再生能源的比例在网格中，我们专注于自动生成模型，准确地预测使用美国国家气象局（NWS）天气预报可再生能源发电的问题。具体来说，我们用各种机器学习技术进行试验，以开发使用历史NWS预测数据预测模型，并将它们与从太阳能电池板发电的数据相关联。一旦历史和预测数据生成的培训，我们的预测模型使用NWS预测一个小区域在若干时间范围来预测未来的一代。我们在本文中的实验使用太阳能强度作为用于太阳能发电的代理，因为它正比于太阳能收获^[4]功率。重要的是，因为我们从历史的现场具体观测发电数据生成我们的模型，他们固有的结合每个站点的能力，地方特色的效应来发电，比如从周围的树木遮荫。由于地方特色影响发电，个别网站必须针对特定地点的特点调整预测模型。我们认为模型自动生成的关键在整个电网可再生能源比例的分布式发电到千家万户。

我们的目标是生成预测模型，智能家居，包括现场可再生能源自动化。无论是电网和个人智能家居可以使用这些预测模型用于发电和消费的预先规划。网格可以使用模型来计划发生器调度时间表预先作为在网格可再生能源的增加的比例。智能家居可以使用模型来规划潜在的消费模式，以更好地满足他们对现场产生的力量。在这两种情况下，更好的预测模型是提高效率和鼓励从电网和智能家居可再生能源的广泛采用分布式发电的先决条件。在研究预测模型太阳能采集，我们做出以下的贡献。

• 数据分析。我们分析来自气象站的历史数据，以及相应的NWS气象预报的广泛痕迹，关联存在于与太阳能强度预报天气的指标，在​​每平​​方米的瓦，受天气站记录下来。我们的分析量化每个预测参数如何影响彼此的太阳能强度。太阳能收获，我们发现，天空盖，相对湿度，和沉淀是高度相互之间以及与太阳强度相关，而温度，露点，和风速仅部分彼此并与太阳强度相关。
• 模型生成。我们运用多种机器学习技术推导预测模型使用多种预测指标太阳能强度，然后分析每个模型的预测精度。我们使用对历史太阳能强度观测和预报一训练数据集机器学习以获得一个计算将来太阳能强度用于从一组预测天气度量的给定时间范围的功能。我们基于线性最小二乘回归，以及支持向量机（SVM）制定的机型。我们发现，SVM径向基函数内核使用从七个气象指标的历史数据建为27％，比仅使用天空状况的预测^[4]，比仅使用简单的方法，更好的51％，现有的基于预测的模型更精确过去预测未来。

在第2节我们分析预测指标和探讨他们如何相互影响，以及它们如何影响太阳能的强度，而在第4节我们描述和评估产生使用我们的气象站数据及新创建的预测预报模型多机的学习策略。最后，第5节讨论有关的工作和第6节结论。

2 数据分析

我们收集天气预报数据和观测太阳强度数据起十个月，从2010年1月，我们得到从NWS在http://www.weather.gov/历史预测数据，这是我们一直在收集，在过去2年。该NWS为整个美国小城市大小的区域，其中包括对过去几年的每一天每一个小时多的天气指标的历史文本预测。每个预测包括来自各1小时指标每隔1小时的预言至6天到未来。天气指标的实例包括温度，露点，风速，天空盖，降水概率，和相对湿度。天空盖百分比的估计云覆盖在大气（0％—100％）。除了使历史预测可用，NWS还经营一个实时的Web服务，使应用程序以编程方式检索的预测，因为他们成为可用。除了这些指标，我们包括一天度量的年份和时间的某一天，因为白天太阳影响的强度和全年变化对于给定的位置。

晴朗的冬天

Day

多云的夏天

图1 太阳能强度显示与去年的天季节变化，虽然

每天的天气条件也有显著的影响。

我们使用的观测太阳的强度数据从一个扩展气象站部署在计算机科学大楼的马萨诸塞大学阿姆赫斯特分校的屋顶。气象站报告中瓦/平方米，每5分钟，每一天的阳光强度。从气象站痕迹可在http://traces.cs.umass.edu。正如我们在先前的工作中，从太阳能电池板发电成正比太阳能强度^[4]；在一般情况下，太阳能电池板的低效导致的功率输出，它是从原始太阳强度读数的固定百分比减少在同一位置。我们使用NWS预测阿默斯特马萨诸塞州。在本节中，我们研究如何强度与太阳能个别参数的预测，以及如何预测这些参数的相互关联的不同而不同。我们的数据分析的目的是提供一种直觉到太阳强度和太阳能电池板的发电如何取决于多个天气指标的组合，并且是不容易从一个单一的天气度量预测的。该从一个或多个天气指标预测太阳强度的复杂性促使我们使用机器学习技术在下一节中自动生成预测模型研究。

（a） （b） （c）

图2 太阳强度和风速显示相关性很小（a）太阳能强度示出

了具有在高温（b）和在高露点（c）露点温度一定的相关性

（a） （b） （c）

图3 太阳能强度一般与天空（a），相对湿度（b）和沉淀电位（c）增加值下降

图1显示了一年中如何通过图表的平均太阳强度在每天中午在我们的10月持续监控期，其中第一天是1月1日阅读会影响太阳能力度，2010年正如预期的那样，该图显示了太阳强度最低在附近的冬至，并增加进入夏季月1日前春分后下降。此外，该图还意味着，其他条件也对太阳能强度显著的影响，因为许多天整个春季和夏季低的太阳能强度读数。该图显示，太阳能强度和一年中的天大致相关的：大部分的时间，但并非总是如此，一个夏季的一天将有一个更高的太阳能强度比冬季的一天。然而，其他因素都必须有助于太阳能强度，因为有显然有些晴朗的冬天的最高水平的太阳能强度读数比一些阴天的夏天。为了更好地理解与其他天气指标的相关性，我们建模的其他预测指标类似关系。

例如，图2显示出风速，露点和温度不是高度与太阳强度相关。太阳能强度在风速（一）中的任何值从低到高值几乎一致地而异。因此，风速与太阳的强度几乎为零的相关性，其价值并不代表太阳能强度或太阳能电池板发电。两个温度（b）和露点（c）与太阳强度关联于较高的值：如果温度或露点为高，则该太阳能强度很可能是高的。然而，如果温度或露点低时，在太阳能强度显示出高值和低值之间的更显著的变化。结果是直观的。例如，在夏季的高温下往往取决于太阳光，而在冬季阳光有助于在提高的环境温度以下。

与此相反，图3显示，天空覆盖，相对湿度和降水与太阳强度高的负相关关系。在每一种情况下，作为度量的值增加，太阳能强度读数通常会降低。然而，与一年的当天，必须有有助于太阳能强度读数，因为有一些日子以高的天空盖，相对湿度，和降水概率等因素，但是一个高的太阳能强度读数，反之亦然。除了展出太阳能强度的复杂关系，每个天气指标也表现出与其他天气指标有着复杂的关系。例如，图4表明，相对湿度（a）和沉淀（b）的机会表现出强势，但并不完美的相关性，与天空而相对湿度强烈降水（c）的几率相关。在所有三种情况下，量度上升串联，虽然关系是嘈杂由于其他天气度量的值。

（a） （b） （c）

图4 相对湿度（a）和降水（b）与天空盖正相关，相对湿度也随降水（c）增加

表1 展示相关矩阵相关性之间是不同的预测参数

表1示出了使用皮尔逊积矩相关系数，其通过它们的标准偏差的乘积除以两个变量的协方差每个天气度量相关系数。的相关系数的绝对值越高，越强两个天气度量——正相关之间的相关性表示增加线性关系，而负相关表明一个逐渐降低的线性关系。此表中显示的天气指标和太阳强度之间的复杂关系激励我们使用机器学习技术在下一节自动预测模型研究。

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[148262]，资料为PDF文档或Word文档，PDF文档可免费转换为Word