Construcción e Investigación del Modelo de Predicción de Ultra-Corto Plazo de Irradiancia Solar de Ondas Cortas Adecuado para la Meseta Qinghai-Tíbet
Autores: Meng, Huimei; Wu, Lingxiao; Li, Huaxia; Song, Yixin
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Construcción e Investigación del Modelo de Predicción de Ultra-Corto Plazo de Irradiancia Solar de Ondas Cortas Adecuado para la Meseta Qinghai-Tíbet
Categoría
Ciencias Naturales y Subdisciplinas
Subcategoría
Astronomía
Palabras clave
Energía solar
Modelo de predicción
ARIMA
Bosque aleatorio
LSTM
Precisión
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 14
Citaciones: Sin citaciones
La región de la meseta Qinghai-Tíbet tiene abundante energía solar, lo que presenta un enorme potencial para el desarrollo de la generación de energía solar. La predicción precisa de la radiación solar es crucial para la operación segura y rentable de la red eléctrica. Por lo tanto, construir un modelo de predicción ultra-corto adecuado para la región de la meseta tibetana tiene una importancia significativa. Este estudio se basó en el modelo de media móvil integrada autorregresiva (ARIMA), el modelo de bosque aleatorio (RF) y el modelo de memoria a largo y corto plazo (LSTM) para construir un modelo de predicción para pronosticar la irradiancia promedio para los próximos 10 minutos. Al probar y optimizar localmente los parámetros del modelo, el estudio exploró la aplicabilidad de cada modelo en diferentes estaciones e investigó el impacto de factores como el conjunto de datos de entrenamiento y el rango de tiempo de predicción en la precisión del modelo. Los resultados mostraron que: (1) la precisión del modelo ARIMA fue inferior a la del modelo de persistencia utilizado como modelo de referencia, mientras que tanto el modelo RF como el modelo LSTM tuvieron una mayor precisión que el modelo de persistencia; (2) el tamaño de la muestra y la distribución del conjunto de datos de entrenamiento afectaron significativamente la precisión de los modelos. Cuando tanto la estación (distribución) como el tamaño de la muestra eran los mismos, RF logró la mayor precisión. Los tamaños de muestra óptimos para los modelos ARIMA, RF y LSTM en cada estación fueron los siguientes: primavera (3564, 1980, 4356), verano (2772, 4752, 2772), otoño (3564, 3564, 4752) e invierno (3168, 3168, 4752). (3) El horizonte de predicción tuvo un impacto significativo en la precisión del modelo. A medida que aumentaba el horizonte de predicción, los errores de todos los modelos aumentaron gradualmente, alcanzando un pico entre 80 y 100 minutos antes de disminuir ligeramente y luego continuar aumentando. Cuando tanto la estación como el horizonte de predicción eran los mismos, RF tuvo la mayor precisión, con un RMSE inferior al de ARIMA en 65.6-258.3 W/m y inferior al de LSTM en 3.7-83.3 W/m. Por lo tanto, el aprendizaje automático se puede utilizar para la predicción ultra-corta de la irradiancia solar en la región de la meseta Qinghai-Tíbet para cumplir con los requisitos de pronóstico para la generación de energía solar, proporcionando una referencia para estudios similares.
Descripción
La región de la meseta Qinghai-Tíbet tiene abundante energía solar, lo que presenta un enorme potencial para el desarrollo de la generación de energía solar. La predicción precisa de la radiación solar es crucial para la operación segura y rentable de la red eléctrica. Por lo tanto, construir un modelo de predicción ultra-corto adecuado para la región de la meseta tibetana tiene una importancia significativa. Este estudio se basó en el modelo de media móvil integrada autorregresiva (ARIMA), el modelo de bosque aleatorio (RF) y el modelo de memoria a largo y corto plazo (LSTM) para construir un modelo de predicción para pronosticar la irradiancia promedio para los próximos 10 minutos. Al probar y optimizar localmente los parámetros del modelo, el estudio exploró la aplicabilidad de cada modelo en diferentes estaciones e investigó el impacto de factores como el conjunto de datos de entrenamiento y el rango de tiempo de predicción en la precisión del modelo. Los resultados mostraron que: (1) la precisión del modelo ARIMA fue inferior a la del modelo de persistencia utilizado como modelo de referencia, mientras que tanto el modelo RF como el modelo LSTM tuvieron una mayor precisión que el modelo de persistencia; (2) el tamaño de la muestra y la distribución del conjunto de datos de entrenamiento afectaron significativamente la precisión de los modelos. Cuando tanto la estación (distribución) como el tamaño de la muestra eran los mismos, RF logró la mayor precisión. Los tamaños de muestra óptimos para los modelos ARIMA, RF y LSTM en cada estación fueron los siguientes: primavera (3564, 1980, 4356), verano (2772, 4752, 2772), otoño (3564, 3564, 4752) e invierno (3168, 3168, 4752). (3) El horizonte de predicción tuvo un impacto significativo en la precisión del modelo. A medida que aumentaba el horizonte de predicción, los errores de todos los modelos aumentaron gradualmente, alcanzando un pico entre 80 y 100 minutos antes de disminuir ligeramente y luego continuar aumentando. Cuando tanto la estación como el horizonte de predicción eran los mismos, RF tuvo la mayor precisión, con un RMSE inferior al de ARIMA en 65.6-258.3 W/m y inferior al de LSTM en 3.7-83.3 W/m. Por lo tanto, el aprendizaje automático se puede utilizar para la predicción ultra-corta de la irradiancia solar en la región de la meseta Qinghai-Tíbet para cumplir con los requisitos de pronóstico para la generación de energía solar, proporcionando una referencia para estudios similares.