Physics-Informed State Space Models for Day-Ahead Photovoltaic Power Forecasting
Karlstad University（卡尔斯塔德大学）；Deggendorf Institute of Technology（德根多夫应用技术大学）
本文提出结合PowerMamba的物理信息状态空间框架，用于日前光伏功率预测，在公用事业级光伏数据上较仅物理基线提升精度，降低RMSE 38.5%、MAE 45.8%，还增强了预测鲁棒性。
2026-10-14 cs.AI cs.LG
Short-Term Photovoltaic Forecasting Model for Qualifying Uncertainty during Hazy Weather
School of Computer, Electronics and Information, Guangxi University（广西大学计算机与电子信息学院）；School of Electrical Engineering, Guangxi University（广西大学电气工程学院）
针对雾霾天气下光伏发电不确定性难量化导致预测困难的问题，提出融合改进熵、聚类与注意力机制的短期光伏预测模型，经两数据集验证其预测精度显著优于现有模型。
2024-10-08 cs.LG eess.SP
Short-term probabilistic photovoltaic power forecast based on deep convolutional long short-term memory network and kernel density estimation
Harbin Institute of Technology（哈尔滨工业大学）
太阳能是一种清洁的可再生能源。光伏发电是太阳能利用的重要途径。准确的光伏发电功率预测对光伏发电的大规模应用和电网的稳定运行至关重要。提出了一种基于深度卷积长短期记忆（ConvLSTM）网络和核密度估计（KDE）的短期光伏功率预测新方法。该方法利用ConvLSTM对未来光伏发电量进行预测，利用KDE估计联合概率密度函数并给出概率置信区间。在实际光伏电站中的实验验证了该方法的有效性。与卷积神经网络（CNN）和长短期记忆网络（LSTM）的对比实验表明，ConvLSTM可以结合CNN和LSTM的优点，在预测精度方面明显优于CNN和LSTM。通过与多层感知器（MLP）、支持向量回归（SVR）、极限学习机（ELM）、分类回归树（CART）和梯度提升决策树（GBDT）等5种传统方法的比较，结果表明，ConvLSTM的预测精度在20%以上，进一步验证了ConvLSTM的优越性。
2021-07-03 cs.LG eess.SP
Synthetic Photovoltaic and Wind Power Forecasting Data
Intelligent Embedded System Lab（智能嵌入式系统实验室）；Kassel University（卡塞尔大学）
在可再生能源比例较高的电力系统中，光伏和风力发电预测在若干应用中至关重要。其中包括稳定的电网运营、盈利的电力交易和前瞻性的系统规划。然而，缺乏用于基于机器学习的预测方法的研究的公开可用的数据集。本文提供了一个开放的时间序列数据集与现实的合成功率数据。其他公开和非公开可用的数据集通常缺乏精确的地理坐标、时间戳或静态发电厂信息，例如，保护商业机密相反，这个数据集提供了这些。该数据集包括120个光伏发电厂和273个风力发电厂，这些发电厂在德国各地有不同的侧面，每小时分辨率为500天。大量的可用侧允许预测实验包括空间相关性，并在迁移和多任务学习中运行实验。它包括来自ICON-EU天气模型的特定于侧面的、依赖于电源的、非合成的输入特征。具有物理模型和实际气象测量的虚拟发电厂的模拟提供了真实的合成功率测量时间序列。这些时间序列对应于在相应天气测量的位置处的虚拟发电厂的功率输出。由于合成时间序列完全基于天气测量，因此天气预报中可能的误差与实际电力数据中的误差相当。除了数据描述之外，我们还通过比较简化的物理模型和机器学习模型来评估基于天气预测的电力预测的质量。该实验表明，合成功率数据的预测误差与真实世界的历史功率测量值相当。
2022-04-01 cs.AI cs.LG eess.SP
SKIPP'D: a SKy Images and Photovoltaic Power Generation Dataset for Short-term Solar Forecasting
Stanford University（斯坦福大学）；Energy and Environmental Economics, Inc.（能源与环境经济公司）
大规模集成光伏（PV）到电网的挑战是间歇性的太阳能发电。使用深度学习的基于天空图像的太阳预测已被认为是预测短期波动的有前途的方法。然而，很少有公开的标准化基准数据集，基于图像的太阳能预测，这限制了不同的预测模型的比较和预测方法的探索。为了填补这些空白，我们引入SKIPP 'D-一个SKy图像和光伏发电数据集。该数据集包含三年（2017-2019）的质量控制下采样天空图像和光伏发电数据，可用于使用深度学习进行短期太阳能预测。此外，为了支持研究的灵活性，我们提供了高分辨率，高频率的天空图像和光伏发电数据，以及同步的天空视频片段。我们还包括一个包含数据处理脚本和基线模型实现的代码库，供研究人员重现我们以前的工作并加速他们在太阳能预测方面的研究。
2022-07-02 cs.CV cs.LG
Day-Ahead Hourly Forecasting of Power Generation from Photovoltaic Plants
i-EM S.r.l（i-EM有限公司）；Department of Energy, Systems, Territory and Constructions Engineering, University of Pisa（比萨大学能源、系统、领土和建筑工程系）；Enel Green Power S.p.A.（意大利国家电力公司绿色电力分公司（Enel Green Power S.p.A.））；Renewable Energy Management, Enel Green Power S.p.A.（可再生能源管理，意大利国家电力公司绿色电力分公司（Enel Green Power S.p.A.））；University of Pisa（比萨大学）
准确预测可再生能源发电量的能力现在被认为是改善电力系统运行的基本技能。尽管电力界对这一主题普遍感兴趣，但比较不同的预测方法并推断单个组件在提供准确预测方面的影响并不总是简单的。在本文中，我们广泛地比较简单的预测方法与更复杂的32个不同规模和技术的光伏电站在一整年。此外，我们试图评估天气条件和天气预报对光伏发电预测的影响。
2019-02-26 cs.LG stat.ML
Photovoltaic power forecasting using quantum machine learning
HAKOM Time Series GmbH（HAKOM时间序列公司）
本文提出两种混合量子神经网络（混合量子LSTM和混合量子Seq2Seq）用于光伏功率预测，分别较最强基线降低误差超40%和16%，并在数据有限时保持高精度，展示了量子机器学习在提升预测可靠性与数据效率方面的潜力。
2025-10-16 cs.ET cs.LG quant-ph
SolarBoost: Distributed Photovoltaic Power Forecasting Amid Time-varying Grid Capacity
DAMO Academy, Alibaba Group（阿里集团达摩院）
针对分布式光伏发电预测中电网数据缺失、容量时变等挑战，提出SolarBoost方法，将聚合功率分解为单位输出函数与动态容量的组合，并设计高效算法，经理论分析与多地部署验证，显著降低预测损失。
2025-10-24 cs.LG
Cross-variable Linear Integrated ENhanced Transformer for Photovoltaic power forecasting
Shanghai Jiao Tong University（上海交通大学）；Ningbo Institute of Digital Twin, Eastern Institute of Technology（宁波数字孪生研究院，东方理工大学）；Peng Cheng Laboratory（鹏城实验室）；National Center for Applied Mathematics Shenzhen (NCAMS), Southern University of Science and Technology（深圳应用数学中心，南方科技大学）
本文提出PV-Client模型，通过跨变量Attention的增强Transformer与线性模块结合，提升光伏功率预测精度，并在三个真实数据集上取得SOTA性能。
2024-06-06 cs.AI cs.LG stat.AP
Analysis of False Data Injection Impact on AI based Solar Photovoltaic Power Generation Forecasting
Old Dominion University（欧道明大学）；Yildiz Technical University（伊尔迪兹技术大学）；eKare, Inc.（eKare公司）
太阳能光伏（PV）能量的使用为电网提供了额外的资源。这种集成的缺点是太阳能供电不可靠，并且高度依赖于天气条件。预测的可预测性和稳定性对于充分利用太阳能至关重要。本研究使用公共数据集回顾和评估了各种基于机器学习的太阳能光伏发电预测模型。此外，根均方误差（RMSE），均方误差（MSE），和平均误差（MAE）的指标被用来评估的结果。评估了线性回归、高斯过程回归、K最近邻、决策树、梯度提升回归树、多层感知器和支持向量回归算法。并研究了它们对虚假数据注入攻击的响应。多层感知机回归方法在常规数据集和噪声注入数据集上显示出比其他方法更强大的预测能力。
2021-10-12 cs.LG eess.SP
An Adaptive Deep Learning Framework for Day-ahead Forecasting of Photovoltaic Power Generation
Peng Cheng Laboratory（鹏城实验室）；Southern University of Science and Technology（南方科技大学）
光伏发电（PVPG）的准确预测对于优化能源供需之间的运营至关重要。最近，传感器和智能仪表的普及产生了大量的数据，这支持了基于数据的PVPG预测的发展。虽然新兴的深度学习（DL）模型，例如基于历史数据的长短期记忆（LSTM）模型，为PVPG预测提供了有效的解决方案，并取得了巨大的成功，但这些模型利用了离线学习。因此，DL模型无法利用从新到达的数据中学习的机会，并且无法处理由安装额外的PV单元和不可预见的PV单元故障引起的概念漂移。因此，为了提高日前PVPG预测精度，同时消除概念漂移的影响，本文提出了一种自适应LSTM（AD-LSTM）模型，这是一种DL框架，不仅可以从历史数据中获取一般知识，还可以从新到达的数据中动态学习特定知识。将两阶段自适应学习策略（TP-ALS）集成到AD-LSTM中，并提出了一种滑动窗口（SDWIN）算法，以检测PV系统中的概念漂移。利用光伏系统的多个数据集来评估所提出的方法的可行性和有效性。开发的AD-LSTM模型比离线LSTM模型具有更强的预测能力，特别是在存在概念漂移的情况下。此外，与文献中的其他传统机器学习模型和统计模型相比，所提出的AD-LSTM模型在日前PVPG预测方面也具有优异的性能。
2021-09-28 cs.AI cs.LG physics.comp-ph
PVNet: A LRCN Architecture for Spatio-Temporal Photovoltaic PowerForecasting from Numerical Weather Prediction
Atmo, Inc.（Atmo公司）；Reuniwatt（Reuniwatt公司）
本文提出PVNet，一种基于数值天气预报的LRCN架构，利用时空天气数据预测德国24小时和48小时光伏发电量，性能优于持续性模型和现有方法。
2024-01-13 cs.AI cs.LG
Forecasting Photovoltaic Power Production using a Deep Learning Sequence to Sequence Model with Attention
University of Alberta（阿尔伯塔大学）
作为分布式能源的（住宅）光伏（PV）发电渗透率不断提高，给电力基础设施带来了许多挑战。迫切需要高质量的通用工具来提供电力生产的准确预测。在这篇文章中，我们提出了一个有监督的深度学习模型，用于光伏发电的端到端预测。所提出的模型基于两个开创性的概念，这两个概念导致深度学习方法在其他序列相关领域的显著性能改进，但尚未在时间序列预测领域：序列到序列架构和注意力机制作为上下文生成器。所提出的模型利用数值天气预报和高分辨率的历史测量来预测在预测时间间隔上的分箱概率分布，而不是预测变量的预期值。这种设计提供了显着的性能改进相比，常见的基线方法，如完全连接的神经网络和单块长短期记忆架构。使用归一化均方根误差为基础的预测技能得分作为性能指标，所提出的方法进行了比较，与其他模型。结果表明，新的设计表现在或高于目前的光伏发电预测的最新技术水平。
2020-10-14 cs.LG eess.SP stat.ML
Time series Foundation Models based on Physics-Informed Synthetic Histories for Cold-Start Photovoltaic Forecasting
European Commission（欧洲委员会）
针对光伏电站冷启动预测问题，提出利用物理信息合成历史数据，结合时间序列基础模型进行零样本预测，在440个站点上实现1.7-2倍性能提升。
2026-06-05 cs.LG eess.SP stat.ML
Cloud-Edge Collaborative Large Models for Robust Photovoltaic Power Forecasting
School of Computer Science and Engineering, Central South University（中南大学计算机科学与工程学院）；Department of Computer Science and Technology, BNRist, Tsinghua University（清华大学计算机科学与技术系）；Beijing Smartchip Microelectronics Technology Co., Ltd（北京智芯微电子技术有限公司）
本文提出云-边协同框架CAPE，通过结合专用专家模型、轻量边缘模型和云端大模型，提升光伏功率预测的准确性与鲁棒性，同时满足严格的时延约束。
2026-03-25 cs.LG cs.NI
Short-term prediction of photovoltaic power generation using Gaussian process regression
Queen Mary University of London（伦敦玛丽女王大学）；Open Climate Fix（开放气候修正）
光伏（PV）电力受天气条件的影响，使得光伏系统产生的电力不确定。解决这个问题将有助于提高电网的可靠性和成本效益，并有助于减少对化石燃料发电厂的依赖。本论文重点评估高斯过程回归（GPR）对英国光伏系统产生的能量的预测。高斯过程回归是一种贝叶斯非参数模型，可以提供预测以及预测值的不确定性，这在具有高度不确定性的应用中非常有用。该模型被评估为48小时的短期预测对三个主要因素-训练期，天空面积覆盖和核心模型的选择-和非常短期的预测对天空面积的四个小时。我们还比较了非常短期的预测，在预测期内的云覆盖率，只有初始云覆盖率作为预测。
2020-10-05 cs.LG
AutoPV: Automated photovoltaic forecasts with limited information using an ensemble of pre-trained models
Institute for Automation and Applied Informatics（自动化与应用信息学研究所）；Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
AutoPV通过预训练模型加权集成，解决光伏预测中安装配置信息缺失和冷启动问题，仅需峰值功率即可实现高精度日前预测。
2022-12-13 cs.LG
AutoPV: Automatically Design Your Photovoltaic Power Forecasting Model
Department of Building Environment and Energy Engineering, The Hong Kong Polytechnic University（香港理工大学建筑环境与能源工程系）；International Centre of Urban Energy Nexus, The Hong Kong Polytechnic University（香港理工大学城市能源 nexus 中心）；Research Institute for Smart Energy, The Hong Kong Polytechnic University（香港理工大学智能能源研究院）；Eastern Institute for Advanced Study, Eastern Institute of Technology（东院高级研究机构）；School of Business, Society and Technology, Mälardalens University（马尔默大学商学院、社会与技术学院）；Center for Spatial Information Science, the University of Tokyo（东京大学空间信息科学中心）；PV Industry Innovation Center, State Power Investment Corporation（国家电力投资集团光伏产业创新中心）；School of Urban Planning and Design, Peking University, Shenzhen（北京大学深圳校区城市规划与设计学院）；Ningbo Institute of Digital Twin, Eastern Institute of Technology（宁波数字孪生研究所）
本文提出AutoPV框架，利用神经架构搜索技术自动设计光伏功率预测模型，通过新颖的搜索空间提升预测性能，实验表明其在短时间內构建出优于现有模型的架构。
2024-08-01 cs.LG
Short-Term Predictability of Photovoltaic Production over Italy
ENEA（意大利新技术、能源与可持续经济发展局）；EURAC（欧洲学院）
在过去的几年里，欧洲的光伏（PV）发电量急剧增加。意大利约6%的电力来自光伏发电，为了有效管理电网，需要准确可靠的产量预测。从2011-2012年65个意大利太阳能发电厂的电力生产数据集开始，我们研究了在不使用现场测量的情况下，从一到十天的提前期预测日产量的可能性。我们的研究分为两个部分：使用天气预报评估气象变量的可预测性，以及分析数据驱动建模在预测太阳能发电中的应用。我们使用可用的观测值校准SVM模型，然后我们用天气预报的预测变量强制相同的模型，提前时间从一到十天。正如预期的那样，太阳能发电受到云层和晴朗天空的强烈影响，事实上，我们观察到，在夏季，我们获得的一般误差在10%以下（意大利南部略低），在冬季，误差远远超过20%。
2014-09-29 cs.LG stat.AP
Solar Power Time Series Forecasting Utilising Wavelet Coefficients
RMIT University（皇家墨尔本理工大学）；University of Jeddah（吉达大学）；CSIRO（联邦科学与工业研究组织）
准确可靠的光伏发电出力预测对电网稳定和电力调度能力至关重要。然而，由于各种原因，光伏发电具有很大的波动性和不稳定性。小波变换（WT）已被用于时间序列的应用，如光伏（PV）功率预测，建模的随机波动和减少预测误差。然而，现有的小波变换（WT）方法在时间复杂度方面具有局限性。它需要重建分解的组件并单独建模，因此需要更多的时间进行重建，模型配置和训练。本研究的目的是提高应用小波变换（WT）的效率，提出了一种新的方法，使用一个单一的简化模型。给定一个时间序列及其小波变换（WT）系数，它以系数为特征，原始时间序列为标签来训练一个模型。这消除了组件重建和训练大量模型的需要。本文提出了一种新的基于小波变换的太阳能光伏发电功率时间序列预测方法，并对该方法进行了综合评价。所提出的方法进行了评估，使用17个月的聚合太阳能光伏（PV）功率数据从两个真实世界的数据集。评估包括使用各种预测模型，包括线性回归、随机森林、支持向量回归和卷积神经网络。结果表明，使用系数为基础的策略可以得到的预测是使用组件为基础的方法，同时需要更少的模型和更少的计算时间。
2022-10-01 cs.LG
Multi Scale Graph Wavenet for Wind Speed Forecasting
TCS Research（塔塔咨询服务研究部）
几何深度学习由于其表示任意结构的固有能力而在学术界和工业界都获得了极大的关注。由于对可再生能源，特别是风能的兴趣呈指数增长，准确的风速预测变得非常重要。.在本文中，我们提出了一种新的深度学习架构，多尺度图Wavenet风速预测。它是基于图卷积神经网络，捕捉空间和时间的关系，在多变量时间序列的天气数据的风速预测。我们特别从扩张卷积、跳过连接和初始网络中汲取灵感，以捕获时间关系，并从用于捕获数据中空间关系的图卷积网络中汲取灵感。我们在丹麦不同城市测量的真实风速数据上进行了实验，并将我们的结果与最先进的基线模型进行了比较。我们的新架构在多个预测范围的风速预测方面优于最先进的方法4- 5%。
2021-10-01 cs.AI cs.LG
Wind Power Projection using Weather Forecasts by Novel Deep Neural Networks
SSN College of Engineering（SSN工程学院）
从传统的能源生产方式向可再生能源生产方式的转变需要更好的可再生能源供应预测模型。在风电生产中，由于风的不稳定性，预测产量的误差是不可能被否定的。对于成功的电网整合，关键是要了解预测风力发电产生的不确定性，并使用这些信息来建立准确可靠的预测。这可以通过观察风力发电的波动与不同参数的变化来实现，例如风速，温度和风向，并导出相同的函数依赖性。使用优化的机器学习算法，可以在观测中找到模糊模式并获得有意义的数据，然后可以用于准确预测风电需求。利用Gamesa在Bableshwar的风电场提供的所需数据，本文探讨了使用参数和非参数模型计算风电预测使用功率曲线。所获得的结果进行比较，以更好地了解所利用的模型的准确性，并确定最合适的模型预测风力发电的基础上给定的数据集。
2021-08-22 cs.AI cs.LG
Comprehensive forecasting based analysis using stacked stateless and stateful Gated Recurrent Unit models
Swami Vivekananda Institute of Science & Technology（斯瓦米·维韦卡南达科学技术学院）；Department of Computer Science and Engineering（计算机科学与工程系）
光伏发电是一种可再生能源，在工业中得到了广泛的应用。在经济困难的国家，它可能是一种潜在的电能来源，因为其他不可再生资源已经耗尽。现在，如果在研究之前在一个地区安装光伏电池，它可能无法提供运行该地区所需的期望能量输出。因此，预测是必需的，它可以引出输出从一个特定的区域考虑其几何坐标，太阳能参数，如GHI和天气参数，如温度和风速等，我们的论文探讨了四个这样的地区，其中三个是在西孟加拉邦和一个外部描绘与使用堆叠门控递归单元（GRU）模型的太阳辐照度预测。我们已经检查了状态堆叠门控递归单元模型显着提高了预测精度。
2020-08-14 cs.LG cs.NE
Decision-focused learning for optimal PV-Battery scheduling
ESAT-Electa KU Leuven（ESAT-Electa 埃因霍温大学）
提出一种决策聚焦学习框架，通过训练LSTM光伏发电预测器以最小化电池调度成本，相比传统两阶段方法降低平均电费3.6%，验证了预测与优化目标对齐的重要性。
2026-05-27 cs.LG stat.ML
Short-term wind speed forecasting model based on an attention-gated recurrent neural network and error correction strategy
本文提出一种基于SSA-AtGRU-VMD-GRU的短期风速预测模型，通过AtGRU初步预测、SSA降噪及VMD处理误差并用GRU校正，显著提升了预测精度。
2024-04-22 cs.AI cs.LG physics.ao-ph
Generative Adversarial Networks for Operational Scenario Planning of Renewable Energy Farms: A Study on Wind and Photovoltaic
University of Kassel（卡塞尔大学）
为了整合可再生能源，电网运营商需要有关能源生产和消费影响的实际信息，以评估电网稳定性。近年来，生成对抗网络（GANs）作为作战情景规划的生成模型，为情景规划研究提供了新的思路。在这些情况下，运营商检查不同能源对电网的时间和空间影响。可再生能源如何影响电网的分析使运营商能够评估稳定性，并确定潜在的弱点，如限制Transformer。然而，由于它们的新颖性，关于GANs对底层功率分布建模的研究有限。这种分析是必要的，因为，例如，特别是需要具有低或高发电量的极端情况来评估电网稳定性。我们进行了比较研究的Wasserstein距离，二进制交叉熵损失，高斯copula作为基线应用于两个风和两个太阳数据集与以前的研究相比，数据有限。考虑到有限的数据量，两种GANs都取得了良好的结果，但Wasserstein GAN在建模时间和空间关系以及功率分布方面更优越。除了评估所有农场的发电分布外，还必须评估风力场景的地形分布。这些特定于地形的功率分布通过它们的发电功率大小的差异来影响电网。因此，在第二项研究中，我们表明，即使同时从具有地形特定模式的风电场学习分布，GANs也能够在面临有限数据时对这些个性进行建模。
2019-06-03 cs.LG eess.SP
Skillful forecasting of offshore winds from satellite scatterometer constellations
Delft University of Technology（代尔夫特理工大学）；Bern University of Applied Sciences（伯尔尼应用科技大学）
本文提出首个基于卫星的近海风临近预报框架WindCastNet，采用部分卷积LSTM网络，在北海评估中较HARMONIE MEPS模型及持续性方法提升了近海风预报精度，为海洋天气预报提供新途径。
2026-07-30 cs.LG
Enhancing Short-Term Wind Speed Forecasting using Graph Attention and Frequency-Enhanced Mechanisms
University of Science and Technology Beijing（北京科技大学）
本文提出GFST-WSF模型，结合Transformer和图注意力网络提取时空特征，并利用动态复邻接矩阵建模地理引起的时间滞后，显著提升了6-24小时短期风速预测精度。
2023-05-22 cs.LG
Improving the forecast accuracy of wind power by leveraging multiple hierarchical structure
Lucas English School of Mathematics and Physics The University of Queensland St Lucia, QLD 4072, Australia（Lucas English 数学与物理学院 昆士兰大学 斯塔 Lucia 分校）；Mahdi Abolghasemi School of Mathematics and Physics The University of Queensland St Lucia, QLD 4072, Australia（Mahdi Abolghasemi 数学与物理学院 昆士兰大学 斯塔 Lucia 分校）
本文利用风机的截面与时间层次构建跨时间层次，证明跨时间协调优于单独截面协调，且机器学习预测经协调后在粗时间粒度上精度高，为高频风电预测提供方法指导。
2025-09-19 cs.LG
Bias correction of wind power forecasts with SCADA data and continuous learning
WinJi AG（WinJi公司）
本文提出利用SCADA数据和持续学习策略，通过卷积神经网络对风功率预报进行偏差校正，显著降低NRMSE至22%。
2024-02-21 cs.LG
Spatiotemporal Attention Networks for Wind Power Forecasting
System Engineering Institute, Xi’an Jiaotong University（西安交通大学系统工程研究所）；Rutgers University（罗格斯大学）；Electric Power Research Institute, State Grid Liaoning Electric Power Co. Ltd.（国网辽宁省电力有限公司电力科学研究院）
风力发电是最重要的可再生能源之一，准确的风电功率预测对于电力系统可靠、经济的运行和控制策略具有重要意义。本文提出了一种新的框架与时空注意力网络（STAN）的风电功率预测。该模型捕捉风电场之间的空间相关性和风电时间序列的时间依赖性。首先，我们采用多头自注意机制来提取风电场之间的空间相关性。然后，时间依赖性被捕获的序列到序列（Seq2Seq）模型与全局注意力机制。最后，实验结果表明，我们的模型实现了更好的性能比其他基线方法。我们的工作提供了有用的见解，以捕捉非欧几里德空间相关性。
2019-11-13 cs.LG
A Multi-model Combination Approach for Probabilistic Wind Power Forecasting
Shandong University（山东大学）；Zhejiang University（浙江大学）；Argonne National Laboratory（阿贡国家实验室）；Tsinghua University（清华大学）
短期概率风电功率预测可以为电力系统运行和控制提供关键的量化的风电功率不确定性信息。由于风电功率预测误差的复杂性，很难开发出一种通用的预测模型来优于其他替代模型。因此，本文提出了一种新的多模型组合（MMC）方法的短期概率风力发电预测，利用不同的预测模型的优点。该方法可以结合不同的预测模型，提供不同的概率密度函数，以提高概率预测精度。采用基于稀疏贝叶斯学习、核密度估计和贝塔分布拟合的概率预测模型构成组合模型。MMC模型的参数求解基于贝叶斯框架。数值试验表明了所提出的MMC方法的有效性。
2017-02-13 cs.LG stat.AP
WindDragon: Enhancing wind power forecasting with Automated Deep Learning
INRIA Lille Nord Europe（法国里尔北欧信息、自动化与计算机科学研究所（INRIA里尔北欧欧洲中心））；Sorbonne Université（索邦大学）；EDF R&D（法国电力公司研发中心）
本文提出WindDragon方法，将自动化深度学习与数值天气预报风速图相结合，在国家层面实现1至6小时短期风电功率的准确预测，以应对风电波动性和不确定性对电网运行的挑战。
2024-02-22 cs.LG physics.ao-ph stat.ML
BUAA_BIGSCity: Spatial-Temporal Graph Neural Network for Wind Power Forecasting in Baidu KDD CUP 2022
Beihang University（北京航空航天大学）
在这份技术报告中，我们为百度KDD杯2022年空间动态风电预测挑战赛提供了解决方案。风力发电是一种快速增长的清洁能源。准确的风电功率预测对电网稳定和供电安全至关重要。因此，组织者提供了一个包含134台风力发电机历史数据的风电数据集，并启动了百度KDD杯2022，以检查当前风电预测方法的局限性。RMSE（均方根误差）和MAE（平均绝对误差）的平均值用作评估分数。我们采用了两种时空图神经网络模型，AGCRN和MTGNN作为我们的基本模型。我们通过5重交叉验证来训练AGCRN，并直接在训练集和验证集上训练MTGNN。最后，我们根据验证集的损失值集成两个模型作为我们的最终提交。使用我们的方法，我们的团队\team在测试集上实现了-45.36026。我们在Github（https：//github.com/BUAABIGSCity/KDDCUP2022）上发布代码以供复制。
2023-02-22 cs.LG
Short-Term Wind-Speed Forecasting Using Kernel Spectral Hidden Markov Models
The University of Electro-Communications（电气通信大学）
在机器学习中，提出了一种用于时间序列数据的非参数预测算法，称为核谱隐马尔可夫模型（KSHMM）。在本文中，我们提出了一种基于KSHMM的短期风速预测技术。我们使用国家可再生能源实验室提供的风速数据，将我们基于KSHMM的预测技术与其他机器学习技术的性能进行了数值比较。我们的研究结果表明，与这些方法相比，所提出的技术提供了相当或更好的性能。
2018-11-15 cs.LG stat.ML
Operational Wind Speed Forecasts for Chile's Electric Power Sector Using a Hybrid ML Model
Stanford University（斯坦福大学）；X - The Moonshot Factory（X——Moonshot工厂）；Google DeepMind（谷歌DeepMind）
针对智利电力部门可再生能源并网挑战，提出结合TiDE和GraphCast的混合风速预测模型，短期提升4-21%，中期提升5-23%，可降低火电爬坡、弃电和排放影响。
2024-09-18 cs.AI cs.LG cs.SY
Wind speed forecast using random forest learning method
University of Kerala（喀拉拉大学）；College of Engineering, Thiruvananthapuram（特里凡得琅工程学院）
风速预测模型及其在风电场运行中的应用由于其作为清洁能源的优点而在文献中获得了显着的关注。在本文中，我们提出了时间序列机器学习方法称为随机森林回归预测风速变化。互信息和自相关的计算值表明，风速值依赖于过去的数据长达12小时。使用来自两周数据的集合训练随机森林模型，其中先前12小时值作为每个值的输入。计算出的均方根误差表明，用两周数据训练的模型可以用来对未来三年进行可靠的短期预测。
2022-03-23 cs.LG
Spatio-Temporal Denoising Graph Autoencoders with Data Augmentation for Photovoltaic Timeseries Data Imputation
SunPower Corporation（SunPower公司）；SolarEdge Technologies（SolarEdge科技公司）；Case Western Reserve University（凯斯西储大学）；C2 Energy Capital（C2能源资本公司）；Sandia National Labs（桑迪亚国家实验室）
全球光伏（PV）市场与实时的数据记录器的整合，使大规模的光伏数据分析管道能够用于光伏机组的功率预测和长期可靠性评估。然而，PV数据分析的性能在很大程度上取决于PV时间序列数据的质量。本文提出了一种新的时空去噪图自动编码器（STD-GAE）框架来填补缺失的光伏发电数据。STD-GAE利用领域知识的时间相关性、空间一致性和值依赖性来恢复丢失的数据。实验结果表明，STD-GAE可以实现43.14%的插补精度的增益和仍然不敏感的缺失率，不同的季节，和缺失的情况下，与最先进的数据插补方法，如MIDA和LRTC-TNN。
2023-02-21 cs.LG stat.AP
Wind Speed Forecasting Based on Data Decomposition and Deep Learning Models: A Case Study of a Wind Farm in Saudi Arabia
College of Science, University of Bahrain（巴林大学理学院）；College of Information Technology, University of Bahrain（巴林大学信息技术学院）
针对风速波动性导致的风电不确定性问题，本研究提出结合小波包分解（WPD）、季节调整法（SAM）与双向长短期记忆网络（BiLSTM）的新型风速预测框架，在沙特风电场数据上实现了高精度预测并优于27个对比模型。
2024-12-17 cs.LG
Enhancing Wind Speed and Wind Power Forecasting Using Shape-Wise Feature Engineering: A Novel Approach for Improved Accuracy and Robustness
本文提出一种形状特征工程方法，通过改变CNN-LSTM和自回归模型的数据输入形状，在不同预测时域下显著提升风速与功率预测的精度和抗噪鲁棒性，并在第24步预测中达到83%准确率。
2024-01-16 cs.LG
Deep Spatio-Temporal Wind Power Forecasting
Department of Statistics, Texas A\&M University, College Station, TX
随着可再生能源消费量的增长，风力发电预测越来越受到研究人员的关注。在本文中，我们开发了一种基于编码器-解码器结构的深度学习方法。我们的模型预测风力涡轮机产生的风力发电，使用其相对于其他涡轮机的空间位置和历史风速数据。通过这种方式，我们有效地整合了空间依赖性和时间趋势，以进行涡轮特定的预测。与现有工作相比，我们的方法的优点可以总结为：1）它直接基于历史风速预测风力发电，而不需要首先预测风速，然后使用转换; 2）它可以有效地捕获长期依赖性3）与其他基于深度学习的方法相比，我们的模型更具可扩展性和效率。我们证明了我们的模型在基准真实世界数据集上的有效性。
2021-10-07 cs.LG stat.AP
Spatial Temporal Approach for High-Resolution Gridded Wind Forecasting across Southwest Western Australia
International Centre for Radio Astronomy Research, University of Western Australia（国际射电天文研究中心，西澳大利亚大学）；UWA Oceans Institute, University of Western Australia（西澳大利亚大学海洋研究所）
针对传统模型在小区域高分辨率风况预测和中长期时空趋势捕捉上的不足，本研究提出一种时空方法，利用地形、气压及稀疏气象站观测数据等多源气象因子，在西澳西南部实现3米和10米高度的高精度网格风预报，显著提升了预测准确性与可靠性。
2024-07-26 cs.LG physics.ao-ph
Two-stage short-term wind power forecasting algorithm using different feature-learning models
Harbin Institute of Technology（哈尔滨工业大学）；Texas A&M University-Kingsville（德州农工大学金斯维尔分校）
基于两阶段集成的预测方法在风电功率预测领域得到了广泛的研究。然而，基于深度学习的风电功率预测研究还没有研究两个方面。在第一阶段中，考虑多输入和多输出的不同学习结构尚未讨论。在第二阶段，模型外推问题尚未得到研究。因此，我们在第一阶段开发了四个深度神经网络，以学习考虑输入和输出结构的数据特征。然后，我们探讨了模型外推问题，在第二阶段使用不同的建模方法。针对过拟合问题，提出了一种新的基于移动窗口的算法，在第一阶段使用验证集，通过两种不同的移动窗口过程更新两个阶段的训练数据，并在3个风电场进行了实验，结果表明，单输入多输出结构的模型比现有模型具有更好的预测精度。此外，岭回归方法产生了更好的集成模型，与现有的机器学习方法相比，可以进一步提高预测精度。最后，提出的两阶段预测算法可以产生更准确和稳定的结果比现有的算法。
2021-06-29 cs.LG eess.SP
Random Forest Ensemble of Support Vector Regression Models for Solar Power Forecasting
University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
为了减轻可变可再生资源的不确定性，部署了两个现成的机器学习工具来预测太阳能光伏系统的太阳能功率输出。支持向量机生成的预测和随机森林作为一个集成学习方法来结合预测。风能和太阳能发电预测中常见的集合技术是混合来自几个来源的气象数据。在这项研究中，虽然，现在和过去的太阳能发电预测从几个模型，以及相关的气象数据，被纳入到随机森林结合和提高准确性的一天前的太阳能发电预测。综合模型的性能进行评估，在整个一年，并与其他结合技术进行比较。
2017-04-27 cs.CE cs.LG
RUL forecasting for wind turbine predictive maintenance based on deep learning
Beihang University（北京航空航天大学）
提出基于多参数注意力深度学习的ForeNet-2d和ForeNet-3d模型，实现2周窗口内风力发电机RUL预测，解决偏远风电场维护计划超前时间不足问题。
2024-12-09 cs.AI cs.LG cs.SY
Improving the Accuracy and Interpretability of Neural Networks for Wind Power Forecasting
Ecole Polytechnique Federale de Lausanne (EPFL)（洛桑联邦理工学院）；Aalborg University（奥尔堡大学）；The Hong Kong Polytechnic University（香港理工大学）；The University of Hong Kong（香港大学）
本文提出三重优化策略加速训练并提升深度神经网络在风电功率预测中的准确性与泛化，同时利用PFI和LIME技术增强模型可解释性，以解决局部最优和不可解释问题。
2023-12-25 cs.LG cs.SY eess.SY
Graph Neural Networks in Wind Power Forecasting
Ravenwits（拉文维茨）；Departamento de Análisis Matemático Facultad de Matemáticas Universidad Complutense de Madrid（数学分析系数学学院普拉多恩大学马德里）
本文研究图神经网络在风电功率预测中的适用性，基于三个风电场五年数据，以数值天气预报变量为输入，发现部分GNN架构在24至36小时预测区间上可达到与最佳CNN基准相当的性能。
2025-06-30 cs.LG cs.SY eess.SY
Statistical post-processing of wind speed forecasts using convolutional neural networks
Royal Netherlands Meteorological Institute (KNMI)（荷兰皇家气象研究所（KNMI））；Utrecht University（乌得勒支大学）
目前的概率天气预报统计后处理方法不能利用数值天气预报模式的全空间模式。在本文中，我们采用卷积神经网络（CNN）的空间风速信息，并获得概率风速预测在荷兰提前48小时，基于KNMI的确定性谐波Arome数值预报模型。从CNN的概率预测显示，具有较高的Brier技能得分为中等到较高的风速，以及更好的连续排名概率得分（CRPS）和对数得分，比完全连接的神经网络和分位数回归森林的预测。作为次要结果，我们比较了使用3种不同密度估计方法（量化softmax（QS），内核混合网络和拟合截断正态分布）的CNN，并发现基于QS方法的概率预测是最好的。
2021-01-08 cs.LG physics.ao-ph stat.AP
Explainable Modeling for Wind Power Forecasting: A Glass-Box Approach with High Accuracy
Aalborg University（奥尔堡大学）；Massachusetts Institute of Technology（麻省理工学院）；The Hong Kong Polytechnic University（香港理工大学）
本文提出一种基于形状函数与交互项的可加性玻璃盒风电功率预测方法，在保持高精度的同时实现全局与实例级可解释性，性能优于多数基准模型并与最佳神经网络相当。
2024-02-26 cs.LG cs.SY eess.SY
Short-term Prediction and Filtering of Solar Power Using State-Space Gaussian Processes
Balyasny Asset Management（巴利亚斯尼资产管理公司）；University College London（伦敦大学学院）；Open Climate Fix（开放气候修复组织）
太阳能光伏发电量的短期预测对于发电厂的管理具有重要意义。理想情况下，这些预测都配有误差条，以便下游决策可以考虑不确定性。为了在这种情况下产生具有误差条的预测，我们考虑高斯过程（GP）来建模和预测英国的太阳能光伏发电。由于PV读数的大数据量和非高斯性，GP回归在PV时间序列数据上的标准应用是不可行的。然而，这是可能的，利用可扩展的GP推理的最新进展，特别是，通过使用状态空间形式的GP，结合现代变分推理技术。由此产生的模型不仅可扩展到大型数据集，而且还可以通过卡尔曼滤波处理连续数据流。
2023-03-30 cs.LG stat.AP
The Living Forecast: Evolving Day-Ahead Predictions into Intraday Reality
本文提出一种贝叶斯更新机制，将概率日间预测转化为日内预测，无需重新训练或推断，通过条件变分自动编码器的高斯混合输出，保留概率结构，提升预测精度达25%。
2026-03-13 cs.LG stat.AP
Wind power predictions from nowcasts to 4-hour forecasts: a learning approach with variable selection
CMAP, Ecole Polytechnique, Institut Polytechnique de Paris（巴黎综合理工学院CMAP实验室）
我们研究风速和风力的短期预测（每10分钟到4小时）。准确预测这些数量对于减轻风电场间歇性生产对能源系统和市场的负面影响至关重要。我们使用机器学习将数值天气预报模型的输出与当地观测相结合。前者提供更高尺度动力学的有价值的信息，而后者为模型提供更新鲜和特定位置的数据。为了使结果可用于从业者，我们专注于众所周知的方法，可以处理大量的数据。我们研究了第一个变量的选择，同时使用线性技术和非线性。然后，我们利用这些结果预测风速和风力发电仍然强调线性模型与非线性模型。对于风电功率的预测，我们也比较了间接的方法（风速预测通过功率曲线）和间接的（直接预测风电功率）。
2022-12-13 cs.LG stat.AP stat.ML
Fast-Powerformer: A Memory-Efficient Transformer for Accurate Mid-Term Wind Power Forecasting
Wuhan University（武汉大学）
针对中期风电功率预测面临的高精度与计算效率双重挑战，本文提出基于Reformer架构的Fast-Powerformer模型，通过结构增强实现更优预测精度、运行效率及部署实用性。
2025-04-15 cs.LG eess.SP
Hybrid Transformer Network for Different Horizons-based Enriched Wind Speed Forecasting
Indian Institute of Technology Roorkee（印度鲁基理工学院）
本文提出一种基于ICEEMDAN分解、Transformer网络预测与MLP误差修正的混合风速预测模型，在印度真实风电场数据上取得优于现有方法的精度。
2022-04-07 cs.LG cs.SY eess.SP
