《Next Energy》:Machine learning-based predictive modeling for solar photovoltaic power forecasting: Analyzing the influence of module temperature
编辑推荐:
将太阳能发电并入电网是复杂的,因为动态环境条件。组件温度显著影响太阳能光伏(PV)系统的效率,导致功率输出偏离理论值。大型可再生能源设施严重依赖准确预测太阳能发电量。需要持续的研究和开发来确定预测太阳能光伏发电的最佳机器学习方法。各种机器学习(ML)技术,如人
将太阳能发电并入电网是复杂的,因为动态环境条件。组件温度显著影响太阳能光伏(PV)系统的效率,导致功率输出偏离理论值。大型可再生能源设施严重依赖准确预测太阳能发电量。需要持续的研究和开发来确定预测太阳能光伏发电的最佳机器学习方法。各种机器学习(ML)技术,如人工神经网络(ANN)和随机森林,在此领域显示出潜力。本研究开发了两种ML模型,ML1(不考虑组件温度的机器学习模型)和ML2(考虑组件温度的机器学习模型),以评估组件温度对功率性能的影响。美国国家可再生能源实验室(NREL)的数据用于获取气候条件和太阳能光伏输出,考虑和不考虑组件温度,针对印度北阿坎德邦的单晶硅光伏组件。本研究使用了五种ML技术:ANN-粒子群优化(PSO)、ANN、高斯过程回归(GPR)、决策树(DT)和支持向量机(SVM),考虑和不考虑组件温度。ANN-PSO模型在多个指标上表现出色,均方误差(MSE)、均方根误差(RMSE)、R2、平均绝对百分比误差(MAPE)和平均绝对误差(MAE)分别为0.052、0.2280、0.9992、0.9913、0.0021和0.00315(考虑组件温度)。即使不考虑组件温度,该模型也取得了显著结果,MSE、RMSE、R2、MAPE和MAE值分别为0.032、0.1812、0.9913、0.0021和0.00315。这些发现强调了ANN-PSO方法在不同条件下准确预测的有效性。
### 论文解读:《基于机器学习的太阳能光伏功率预测建模:分析组件温度的影响》
#### 研究背景与问题
太阳能光伏(PV)发电因其清洁可再生特性成为重要能源,但其输出受天气和环境变化(如环境温度、全球水平辐照度(GHI)、风速)影响,具有高度波动性,给电网集成带来挑战。组件温度(module temperature)是影响PV系统效率的关键因素:温度升高会降低电池效率,导致实际功率偏离理论值。现有预测方法虽多,但系统评估组件温度对机器学习(ML)模型性能影响的研究尚不充分。为此,研究人员旨在探讨组件温度这一输入变量如何影响不同ML算法的预测精度,并确定最优建模策略。
#### 研究概述
研究利用美国国家可再生能源实验室(NREL)提供的印度北阿坎德邦Dhakrani地区单晶硅PV模块的全年(2020年)逐时实测数据(含气候参数与功率输出),开发并对比了五种ML算法——人工神经网络-粒子群优化(ANN-PSO)、人工神经网络(ANN)、高斯过程回归(GPR)、决策树(DT)和支持向量机(SVM)——在考虑与不考虑组件温度两种场景下的功率预测性能。通过均方误差(MSE)、均方根误差(RMSE)、决定系数(R2)、平均绝对百分比误差(MAPE)和平均绝对误差(MAE)等指标评估模型。结论表明,ANN-PSO模型在两种场景下均取得最优结果,且考虑组件温度时预测精度更高。该工作发表于《Next Energy》。
#### 关键技术与方法
研究采用NREL历史气象与功率数据集(共8761条逐时记录,预处理后保留3624条),以70%训练、30%测试划分。特征工程包括缺失值/负值清洗、归一化,并基于最小冗余最大相关性(MRMR)选择GHI、环境温度、风速、湿度、时间等输入。所有模型通过超参数调优(见附录A)构建,其中ANN-PSO利用粒子群优化全局搜索ANN权重与偏置,避免局部最优。性能比较基于五类回归指标。
#### 研究结果
**5.1 ANN分析(考虑与不考虑组件温度)**
ANN模型在考虑组件温度(
Tm)时得到MSE=0.518,RMSE=0.7221,R2=0.9776,MAPE=0.782,MAE=1.173;不考虑时MSE=0.876,RMSE=0.9361,R2=0.9687,MAPE=0.21,MAE=0.315。R2均高于0.96,但考虑
Tm时RMSE更低,说明引入组件温度改善了预测。
**5.2 GPR分析(考虑与不考虑组件温度)**
GPR考虑
Tm时得到MSE=89.921,RMSE=9.4826,R2=0.9538,MAPE=64.23,MAE=96.345;不考虑时MSE=62.864,RMSE=7.9286,R2=0.946,MAPE=42.12,MAE=63.182。R2较高但误差指标偏大,表明GPR对该数据集适应性一般。
**5.3 DT分析(考虑与不考虑组件温度)**
DT考虑
Tm时MSE=523.137,RMSE=22.8721,R2=0.9342,MAPE=138.6,MAE=207.9;不考虑时MSE=487.421,RMSE=22.0776,R2=0.9272,MAPE=129.34,MAE=193.95。DT的误差最大,R2最低,排名第四。
**5.4 SVM分析(考虑与不考虑组件温度)**
SVM考虑
Tm时MSE=593.962,RMSE=243.6,R2=0.9242,MAPE=171.4,MAE=257.12;不考虑时MSE=579.676,RMSE=24.0764,R2=0.9159,MAPE=165.23,MAE=247.68。SVM误差最高,R2最低,排名末位。
**5.5 ANN-PSO分析(考虑与不考虑组件温度)**
ANN-PSO模型在考虑
Tm时MSE=0.052,RMSE=0.2280,R2=0.9992,MAPE=0.9913,MAE=0.0021;不考虑时MSE=0.032,RMSE=0.1812,R2=0.9913,MAPE=0.0021,MAE=0.00315。R2接近1,误差极低,明显优于其他算法。PSO优化了ANN的权重和偏置,增强了全局搜索能力,避免了局部极小。
**5.6 功率随组件温度的变化**
对比三月至六月考虑与不考虑
Tm的功率,发现考虑
Tm时输出降低,三月至六月功率下降比例分别为10.5%、12%、7.6%、6.5%,表明春季(高GHI但散热差)温度影响更显著。
**5.7 环境温度、电池温度与组件温度**
实测显示电池温度最高,模块温度次之,环境温度最低。三月至六月期间,高辐照导致模块升温,功率损失符合晶体硅的负温度系数规律(约-0.4%至-0.5%/°C)。
#### 讨论与结论
讨论部分指出,基于NOCT(标称工作电池温度)的关系模型解释了模块温度受环境温度、GHI和风速影响;多变量共线性分析中,环境温度和表面反照率的方差膨胀因子(VIF)较高(53.51和85.40),但ANNs对共线性有一定容忍性,且通过归一化和PSO优化缓解了影响。主要结论为:ANN-PSO模型在所有性能指标上最优(R2=0.9992),其RMSE比纯ANN低约25%;考虑组件温度可提升大多数模型的预测精度,其中ANN-PSO的改进幅度较小但整体最佳。研究证实ML方法能有效拟合非线性PV功率预测,且组件温度是关键输入特征未来可用于实时电网调度。结论部分翻译如下:“本研究旨在预测多变天气条件下的太阳能光伏发电量,重点关注组件温度。利用ANN、GPR、DT、SVM和ANN-PSO等ML技术,评估其准确预测效果。通过比较这些多样算法,填补了文献空白。基于NREL在印度北阿坎德邦的单晶硅PV模块真实数据,证明ANN-PSO优于所有ML算法。ANN-PSO在考虑与不考虑组件温度时分别获得MSE=0.052/0.032、RMSE=0.2280/0.1812、R2=0.9992/0.9913、MAPE=0.9913/0.0021、MAE=0.0021/0.00315。引入温度调整后,ANN-PSO在PV功率预测中持续展现出更高的准确性与鲁棒性。”