Development of a hybrid machine-learning and optimization tool for performance-based solar shading design
Shahid Beheshti University(沙希德·贝赫什提大学);University of Tehran(德黑兰大学)
遮阳设计应在设计初期就进行,以达到室内环境质量的要求。这个领域可能非常具有挑战性和耗时,还需要专家,复杂的软件和大量的资金。这项研究的主要目的是设计一个简单的工具来研究各种太阳阴影模型,并在早期阶段更容易、更快地做出决策。数据库生成方法、人工智能和优化已被用于实现这一目标。该工具包括两个主要部分1.预测用户选择的模型的性能以及提出有效参数;以及2.向用户建议最佳的预先准备的模型。在这方面,最初,一个侧光鞋盒模型与可变参数进行了参数化建模,五个常见的遮阳模型及其变量应用于空间。对于每个遮阳和没有遮阳的状态,模拟与日光和眩光、视图和初始成本相关的指标。在这项研究中产生的数据库包括87912个替代品和六个计算的度量引入到优化的机器学习模型,包括神经网络,随机福雷斯特,支持向量回归,k最近邻。根据结果,最准确和最快的估计模型是Random Forrest,r2_score为0.967至1。然后,进行敏感性分析,以确定最有影响力的参数为每个遮阳模型和状态没有它。该分析区分最有效的参数,包括窗口方向,WWR,房间的宽度,长度和遮阳深度。最后,通过NSGA II算法优化机器学习模型的估计函数,识别出约7300个最优模型。开发的工具可以在不到几秒钟的时间内评估各种设计方案。
2022-01-09 cs.LG
DeepSun: Machine-Learning-as-a-Service for Solar Flare Prediction
New Jersey Institute of Technology(新泽西理工学院)
太阳耀斑预报在认识和预报空间天气中起着重要的作用。日震和磁成像仪(HMI)是美国宇航局太阳动力学观测台的仪器之一,其主要目标是研究太阳变化的起源和描述太阳的磁活动。HMI提供太阳矢量磁场的连续全磁盘观测,高节奏数据,导致可靠的预测能力;然而,利用这些数据的太阳耀斑预测工作仍然有限。在本文中,我们提出了一个机器学习即服务(MLaaS)框架,称为DeepSun,用于基于HMI的数据产品在Web上预测太阳耀斑。具体而言,我们通过利用空间气象HMI活动区域补丁(SHARP)提供的物理参数构建训练数据,并根据美国国家环境信息中心(NCEI)提供的X射线耀斑目录将太阳耀斑分为四类,即B,C,M,X。因此,当前的太阳耀斑预测问题本质上是一个多类(即,四类)分类问题。DeepSun系统采用多种机器学习算法来解决这种多类预测问题,并为远程编程用户提供应用程序编程接口(API)。据我们所知,DeepSun是第一个能够通过互联网预测太阳耀斑的MLaaS工具。
2020-09-04 astro-ph.IM cs.LG
Automatic Inspection of Utility Scale Solar Power Plants using Deep Learning
太阳能有潜力成为世界的主要能源。公用事业规模的太阳能发电厂(超过50兆瓦)可以拥有超过10万个独立的太阳能模块,分布在200多英亩的土地上。传统上,监控每个模块的方法在实用规模上变得过于昂贵。我们使用深度学习的最新进展来自动分析无人机镜头。我们表明,这可以是一个快速和可靠的替代方案。我们证明了它可以节省大量的电力,并对发展中国家产生巨大的影响。
2018-12-20 cs.LG
A Comprehensive Case Study on the Performance of Machine Learning Methods on the Classification of Solar Panel Electroluminescence Images
Virginia Tech(弗吉尼亚理工大学);Hamline University(哈姆莱大学);Washington State University(华盛顿州立大学)
针对太阳能电池EL图像分类中的标签不平衡及现有方法与指标选择缺乏参考的问题,综合对比多种传统机器学习与深度学习方法在单晶、多晶电池EL图像分类任务下的不同性能指标,为从业者提供方法与指标选择的指导。
2024-08-12 cs.LG stat.AP
Predicting Solar Flares with Remote Sensing and Machine Learning
PeopleTec, Inc.(PeopleTec公司)
高能太阳耀斑和日冕物质抛射有可能摧毁地球的地面和卫星基础设施,造成数万亿美元的损失和大规模的人类痛苦。摧毁这些关键系统将使电网和卫星瘫痪,使通信和运输瘫痪。这将导致粮食短缺和无法应对紧急情况。本文提出了一种解决这一迫在眉睫的问题的方案,该方案使用太阳轨道中的卫星,这些卫星连续监测太阳,使用人工智能和机器学习来根据该感测到的数据计算大规模太阳爆炸的概率,然后发出将减轻威胁的信号防御机制。在现代技术中,可能只有在有足够警告的情况下才能实施保障措施,这就是为什么必须识别最佳算法并使用现有和新数据进行持续训练,以最大限度地提高真阳性率,同时最大限度地减少假阴性。本文使用开源太阳耀斑预测数据对当前的机器学习模型进行了调查。边缘计算的兴起允许将机器学习硬件放置在与传感器阵列相同的卫星上,从而节省了关键的时间,因为不必在遥远的太空中传输遥感数据。一个系统的系统方法将允许足够的警告,以采取安全措施,减轻灾害风险。
2021-10-14 astro-ph.SR cs.LG
Short term solar energy prediction by machine learning algorithms
Pakistan Institute of Engineering & Applied Sciences (PIEAS)(巴基斯坦工程与应用科学学院(PIEAS))
太阳能电站的平稳发电要求对太阳能进行准确、可靠、高效的预测,以实现最优整合,满足市场需求;然而,太阳能产量的隐含不稳定性可能会给平稳发电带来严重问题。我们报告每日预测的太阳能,利用机器学习技术的力量,有效地捕捉和分析复杂的行为,巨大的功能。为此目的,已从美国气象学会(AMS)的能源竞争预测每日太阳能的98个太阳站的数据集。在AMS太阳数据集上实现了线性、岭型、套索、决策树、随机森林和人工神经网络等基线回归预测模型。网格大小被转换为两个部分:16 x9和10 x4,以确定属性对全球集合预报系统(GEFS)上密集站点的发电量贡献更大。为了评估模型,预测误差的RMSE,MAE和R2_score的统计措施进行了分析,并与现有的技术进行了比较。已经观察到,与所有其他提出的方法相比,通过针对两种网格大小的随机森林和岭回归子实现了提高的精度。所提出的方案的稳定性和可靠性进行评估,在一个单一的太阳能站,以及在多个独立的运行。
2020-10-25 cs.LG physics.ao-ph
Machine learning as a flaring storm warning machine: Was a warning machine for the September 2017 solar flaring storm possible?
Università di Genova(热那亚大学);Università di Padova(帕多瓦大学);CNR - SPIN(意大利国家研究委员会超导、创新材料与器件研究所)
机器学习是目前耀斑预测的首选方法,监督技术的传统版本和深度版本正在成为空间天气这一领域预测中最常用的方法。然而,到目前为止,机器学习还不能实现用于耀斑风暴的操作警报系统,并且过去十年的科学文献表明,它在预测强烈的太阳耀斑方面的性能不是最佳的。预测太阳耀斑风暴的主要困难可能有两个。首先,大多数方法被认为是提供概率预测,而不是发送二进制是/否指示沿扩展的时间范围内连续发生的耀斑。第二,耀斑风暴的典型特征是高能量事件的爆发,这很少被记录在空间飞行任务的数据库中;因此,监督方法是在非常不平衡的历史数据集上训练的,这使得它们对强烈耀斑的预测特别无效。然而,在这项研究中,我们表明,监督机器学习可以用于及时发送有关过去十年中最暴力和最意想不到的耀斑事件的警告,甚至可以在一定程度上准确预测在风暴的整个时间过程中磁重联每天释放的能量预算。此外,我们还表明,稀疏增强机器学习和特征排名的结合可以识别能量在预测过程中作为活跃区域属性所发挥的突出作用。
2020-07-05 astro-ph.SR cs.LG
Characterization and forecasting of national-scale solar power ramp events
School of Engineering and Computer Science, Bern University of Applied Sciences(伯尔尼应用科学大学工程与计算机科学学院);Department of Geosciences and Remote Sensing, TU Delft(代尔夫特理工大学地球科学与遥感系)
本文通过分析6434个光伏站两年的数据,开发量化指标表征太阳能波动事件,并探讨其气象驱动因素,发现云系消散与云盖增加分别导致早晨和下午的波动事件,同时评估了多种预测模型的性能。
2026-03-27 cs.LG
Predicting Solar Energy Generation with Machine Learning based on AQI and Weather Features
D.J. Sanghvi College of Engineering(D.J. Sanghvi工程学院)
本文研究如何利用空气质量指数与天气特征提升太阳能发电预测精度,提出结合幂变换归一化和零膨胀建模的时间序列方法,并通过 Conv2D LSTM 等模型取得高精度预测结果。
2024-10-03 cs.AI cs.LG
Embedded Machine Learning for Solar PV Power Regulation in a Remote Microgrid
Sun-Yat Sen University(中山大学)
针对偏远微电网太阳能逆变器功率调节问题,采用集成学习分别训练有功、无功功率控制模型,并部署到靠近逆变器的嵌入式边缘设备,以低延迟实现与台式PC相当的推理效果。
2024-12-02 cs.LG cs.SY eess.SY
Model-Agnostic Hybrid Numerical Weather Prediction and Machine Learning Paradigm for Solar Forecasting in the Tropics
National University of Singapore(新加坡国立大学);Institute of High Performance Computing(高性能计算研究院)
数值天气预报(NWP)和机器学习(ML)方法是太阳预报的常用方法。然而,数值预报模式有多种可能的物理参数化,这需要特定地点的数值预报优化。当区域数值预报模式与具有不同可能参数化的全球气候模式一起使用时,这就更加复杂了。在这项研究中,提出了一种替代方法,并评估了四个辐射模型。天气研究及预报(WRF)模式以全球及区域模式运行,以提供太阳辐照度的估计。然后使用ML对该估计进行后处理,以提供最终预测。WRF的归一化均方根误差通过这种ML误差校正模型降低了40-50%。使用CAM,GFDL,新戈达德和RRTMG辐射模型得到的结果进行了比较后,这种校正,否定了WRF参数化调整的需要。其他模型结合附近的位置和传感器数据也进行了评估,后者是特别有前途的。
2021-12-09 cs.LG physics.ao-ph
An Unsupervised Clustering-Based Short-Term Solar Forecasting Methodology Using Multi-Model Machine Learning Blending
The University of Texas at Dallas(得克萨斯大学达拉斯分校);National Renewable Energy Laboratory (NREL)(国家可再生能源实验室);IBM TJ Watson Research Center(IBM托马斯·J·沃森研究中心)
太阳能预测的准确性受到天气条件的影响,预计天气感知预测模型将提高性能。然而,它可能是不可用的和可靠的分类不同的预报任务,仅使用气象天气分类。在本文中,一个无监督的基于聚类(UC为基础)的太阳能预测方法的短期(1小时前)全球水平辐照度(GHI)预测。该方法包括三个部分:GHI时间序列无监督聚类、模式识别和基于UC的预测。每日GHI时间序列首先通过优化交叉验证聚类(OCCUR)方法进行聚类,该方法确定最佳聚类数和最佳聚类结果。然后,在预报阶段,利用前几个小时的数据,采用支持向量机模式识别(SVM-PR)对某一天的类别进行识别。GHI预测由不同聚类中最合适的模型生成,这些模型由基于两层机器学习的多模型(M3)预测框架构建。开发的基于UC的方法进行验证,使用1年的数据与6个太阳功能。数值结果表明,(i)基于UC的模型比具有相同M3架构的非UC(一体化)模型的性能高出约20%;(ii)基于M3的模型也比单算法机器学习(SAML)模型的性能高出约20%。
2018-05-10 cs.LG stat.ML
Solar Wind Speed Estimate with Machine Learning Ensemble Models for LISA
University of Urbino Carlo Bo(乌尔比诺·卡洛·博大学);INFN(意大利国家核物理研究所)
在这项工作中,我们研究了机器学习模型在重建2016- 2017年ACE卫星在第一拉格朗日点收集的太阳风速度观测中的潜力,使用同年也围绕L1运行的LISA探路者任务上的粒子探测器测量的银河宇宙射线通量变化作为输入数据。我们表明,集成模型组成的异质弱回归能够超越弱回归的预测精度。机器学习和其他强大的预测算法打开了一扇窗户,使人们有可能用软件模型取代专用仪器,作为LISA和空间天气科学等空间任务诊断的替代品。
2023-02-13 astro-ph.HE astro-ph.IM cs.LG
Scalable Machine Learning Analysis of Parker Solar Probe Solar Wind Data
University of Delaware(德克萨斯大学);Boston University(波士顿大学);Catholic University of America(美国天主教大学);Georgia State University(佐治亚州立大学);Southwest Research Institute(西南研究院);NASA Goddard Space Flight Center(美国国家航空航天局戈达德飞行中心);Drexel University(德雷塞尔大学)
本文提出一个基于Dask和量子启发核密度矩阵的可扩展机器学习框架,用于分析帕克太阳探测器超过150GB的太阳风数据,揭示内日球层速度与密度等参数趋势及异常阈值,为空间天气研究提供定量见解。
2025-10-24 astro-ph.SR cs.LG physics.space-ph
SolARED: Solar Active Region Emergence Dataset for Machine Learning Aided Predictions
Department of Astrophysical Sciences, Princeton University, NJ, USA(天体物理科学系,普林斯顿大学);Computational Physics Branch, NASA Ames Research Center, Moffett Field, CA, USA(NASA阿姆斯研究中心计算物理分支,莫菲特场,加利福尼亚州,美国);Department of Data Science, New Jersey Institute of Technology, Newark, NJ, USA(数据科学系,新泽西理工学院,新布朗斯维克,新泽西州,美国);Center for Computational Heliophysics, Department of Physics, New Jersey Institute of Technology, Newark, NJ, USA(计算太阳物理中心,物理系,新泽西理工学院,新布朗斯维克,新泽西州,美国)
Solared数据集旨在通过机器学习预测太阳活跃区域的出现,提供从2010到2023年间太阳表面活跃区域演变的多维度数据支持。
2026-01-19 astro-ph.SR cs.LG
The effect of dataset size and the process of big data mining for investigating solar-thermal desalination by using machine learning
Shaoyang University(邵阳学院);Delta University for Science and Technology(德尔塔科技大学);National University of Defense Technology(国防科技大学)
本研究针对太阳能光热海水淡化中数据短缺问题,开发了优化的数据集收集与分析流程,收集超千条数据并提出跨学科工艺流程,发现随机森林适用于大数据集且数据集范围显著影响因子重要性,为机器学习研究该领域提供了标准流程。
2024-11-13 cs.LG physics.app-ph
Machine learning for reconstruction of polarity inversion lines from solar filaments
Moscow State University(莫斯科国立大学);Institute of Continuous Media Mechanics(连续介质力学研究所)
提出一种用户引导的机器学习方法,利用历史太阳暗条观测和参考点极性信息重建磁极性图,结果接近手绘极性图并支持不确定性估计。
2024-05-10 astro-ph.IM astro-ph.SR cs.LG
Predicting the Emergence of Solar Active Regions Using Machine Learning
NASA Ames Research Center(美国国家航空航天局艾姆斯研究中心);New Jersey Institute of Technology(新泽西理工学院)
本研究利用SDO的HMI多普勒频移和连续谱强度观测数据,开发了一个LSTM机器学习模型,通过捕获声功率通量密度的变化,能够提前5小时预测太阳表面连续谱强度的降低,从而预测太阳活动区的出现。
2024-02-14 astro-ph.SR cs.LG
SolarNet: A Deep Learning Framework to Map Solar Power Plants In China From Satellite Imagery
WeBank(微众银行)
太阳能等可再生能源对于应对日益严重的气候变化至关重要。中国是世界领先的太阳能电池板安装国,建造了许多太阳能发电厂。在本文中,我们提出了一个名为SolarNet的深度学习框架,旨在对大规模卫星图像数据进行语义分割,以检测太阳能发电场。SolarNet已成功绘制了中国439个太阳能发电场的地图,覆盖面积近2000平方公里,相当于整个深圳市或纽约市的两倍半。据我们所知,这是我们首次使用深度学习来揭示中国太阳能发电场的位置和规模,这可以为太阳能发电公司、市场分析师和政府提供见解。
2019-12-10 cs.CV cs.LG eess.IV
Sky Imager-Based Forecast of Solar Irradiance Using Machine Learning
King Saud University(沙特国王大学);King Abdulaziz City for Science and Technology(阿卜杜勒阿齐兹国王科技城)
本文提出一种基于天空图像的机器学习方法,用于短期太阳辐照度预测,在16年超35万张图像数据集上以更低计算复杂度取得了与现有重型算法相当的预报性能。
2023-10-26 cs.CV cs.LG
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
Solar Flare Forecast: A Comparative Analysis of Machine Learning Algorithms for Solar Flare Class Prediction
Julia Bringewald(独立研究者)
本文比较随机森林、KNN和XGBoost在太阳耀斑B/C/M/X四类预测中的表现,创新性地结合二分类与多分类及不同降维水平,发现随机森林和XGBoost性能稳健且受益于高维度。
2025-05-06 astro-ph.IM astro-ph.SR cs.LG
Predicting battery end of life from solar off-grid system field data using machine learning
数亿人用不上电。分散式太阳能电池系统是解决这一问题的关键,同时避免了碳排放和空气污染,但由于成本相对较高,而且位于农村地区,因此无法及时进行预防性维护。根据运行数据准确诊断电池健康状况并预测寿命终止,可改善用户体验并降低成本。但缺乏受控的验证测试和可变的数据质量意味着现有的基于实验室的技术无法工作。我们应用可扩展的概率机器学习方法来诊断1027个太阳能连接的铅酸电池的健康状况,每个电池运行400-760天,总计6.2亿个数据行。我们展示了73%的寿命终止预测准确率,提前八周,在故障点上升到82%。这项工作突出表明,有机会利用“大数据”技术,在不增加设备的情况下,从现有的测量数据中估计健康状况,从而延长使用寿命并提高实际应用的性能。
2021-07-29 cs.LG cs.SY eess.SY
Hourly-Similarity Based Solar Forecasting Using Multi-Model Machine Learning Blending
The University of Texas at Dallas(得克萨斯大学达拉斯分校)
随着太阳能发电在电力系统中的日益普及,预测在电力系统运行中变得至关重要。本文提出了一种基于小时相似性的全球水平辐射(GHI)1小时预报方法。该方法利用日变化模式、不同时间的统计差异和太阳数据的小时相似性来提高预测精度。基于HS的方法通过使用相同的小时子集独立地训练多个两层多模型预测框架(MMFF)模型来构建。最终的最优模型是MMFF模型与每小时最佳混合算法的组合。在预测阶段,选择最合适的模型来执行某个小时的预测子任务。基于HS的方法是由国家可再生能源实验室(NREL)收集的6个太阳能功能的1年数据进行验证。结果表明,在相同的MMFF架构下,基于HS的方法显著优于非HS(一体化)方法,其中基于归一化平均绝对误差和归一化均方根误差,基于最优HS的方法分别比最佳一体化方法好10.94%和7.74%。
2018-03-09 cs.LG stat.ML
Improving Model Chain Approaches for Probabilistic Solar Energy Forecasting through Post-processing and Machine Learning
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);Heidelberg Institute for Theoretical Studies(海德堡理论研究所)
本文系统评估了在太阳能预报模型链中不同后处理策略的效果,并提出基于神经网络的直接功率预报模型,结果表明后处理尤其是对功率预报的后处理能显著提升概率预报质量。
2024-06-06 cs.LG physics.ao-ph stat.AP
Detecting and Classifying Flares in High-Resolution Solar Spectra with Supervised Machine Learning
Cornell University(康奈尔大学);Johns Hopkins University(约翰斯·霍普金斯大学)
本研究提出基于监督机器学习的太阳耀斑分类标准化流程,用RHESSI耀斑数据和HARPS-N光谱训练模型,发现RBF核SVC性能最优,可在异分布新数据中检测分类耀斑,为系外行星光谱污染分析提供支持。
2024-06-21 astro-ph.EP astro-ph.IM astro-ph.SR
MEMPSEP III. A machine learning-oriented multivariate data set for forecasting the Occurrence and Properties of Solar Energetic Particle Events using a Multivariate Ensemble Approach
The University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校);Southwest Research Institute(西南研究院);Cooperative Institute for Research in Environmental Sciences(合作环境科学研究所);Space Weather Prediction Center, NOAA(美国国家海洋和大气管理局空间天气预测中心)
本文构建了一个融合多航天器原位与遥感数据的多变量数据集,用于训练机器学习模型以预报太阳高能粒子事件的发生及其性质,并支撑MEMPSEP集成预报框架。
2023-10-26 astro-ph.SR cs.LG physics.space-ph
Identification and Localization of Cometary Activity in Solar System Objects with Machine Learning
Goddard Space Flight Center(戈达德太空飞行中心);School of Physics and Astronomy, University of Minnesota(明尼苏达大学物理与天文学院)
本章讨论使用机器学习方法在地面和天基宽视场全天巡天中识别和定位太阳系天体彗星活动,分析经典前机器学习技术的局限性,探讨机器学习解决延展天体识别挑战的方案及未来应用。
2024-09-23 astro-ph.EP astro-ph.IM cs.AI
Ultra-short-term solar power forecasting by deep learning and data reconstruction
IEEE Publication Technology(IEEE出版技术);Xi’an University of Technology(西安理工大学);University of Oslo(奥斯陆大学)
本文提出一种基于深度学习与CEEMDAN数据重构的超短期太阳能功率预测方法,通过分解高低频分量并结合气象数据捕获时空依赖,同时改进优化以提升预测精度和泛化能力。
2025-09-21 cs.AI cs.LG
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
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
SolarTformer: A Transformer Based Deep Learning Approach for Short Term Solar Power Forecasting
Positional Astronomy Centre, India Meteorological Department, Kolkata, India(印度气象局位置天文学中心);Department of Computer Science and Engineering, Jadavpur University, Kolkata, India(贾瓦德普大学计算机科学与工程系);Department of Computer Science and Engineering (Artificial Intelligence and Machine Learning), Heritage Institute of Technology, Kolkata, India(遗产理工学院计算机科学与工程系(人工智能和机器学习));Department of Electronics and Communication Engineering, Heritage Institute of Technology, Kolkata, India(遗产理工学院电子与通信工程系);Department of Mechanical Engineering, Heritage Institute of Technology, Kolkata, India(遗产理工学院机械工程系)
本文提出SolarTformer模型,利用自注意力机制捕捉时间依赖性和空间变化,通过引入电站特定元数据提升泛化能力,在相同数据集上显著优于传统模型,展现出高鲁棒性和泛化能力。
2026-04-27 cs.AI cs.LG physics.comp-ph
A Machine-Learning-Ready Dataset Prepared from the Solar and Heliospheric Observatory Mission
Center for Mathematics and Computer Science(数学与计算机科学中心);W.W. Hansen Experimental Physics Laboratory, Stanford University(斯坦福大学W.W.汉森实验物理实验室);US Naval Research Laboratory(美国海军研究实验室);CIRES, University of Colorado, Boulder(科罗拉多大学博尔德分校CIRES);NOAA, Space Weather Prediction Center(美国国家海洋和大气管理局空间天气预测中心)
我们提出了一个Python工具来从太阳图像生成标准数据集,该数据集允许用户定义的选择标准和一系列预处理步骤。我们的Python工具可用于太阳和日光层观测台(SoHO)和太阳动力学观测台(SDO)任务的所有图像产品。我们讨论了从SoHO任务的多光谱图像中产生的数据集,该数据集没有丢失或损坏的数据以及日冕图像中的行星凌日,并且在时间上同步,使其准备好输入到机器学习系统中。可用于机器学习的图像是该社区的宝贵资源,因为它们可用于预测空间天气参数等。我们说明了使用这些数据与3-5天的行星际磁场(IMF)在拉格朗日点1(L1)观察到的南北分量的提前预测。对于这个用例,我们将深度卷积神经网络(CNN)应用于完整SoHO数据集的子集,并与来自高斯朴素贝叶斯分类器的基线结果进行比较。
2021-08-04 astro-ph.IM astro-ph.SR cs.LG
Solar Power driven EV Charging Optimization with Deep Reinforcement Learning
National Technical University of Athens(雅典国立技术大学);Intracom S.A. Telecom Solutions(Intracom电信解决方案公司)
电力部门脱碳在即将到来的能源转型中发挥着至关重要的作用,以实现更可持续的未来。分散的能源资源,如电动汽车(EV)和太阳能光伏系统(PV),不断集成在住宅电力系统中,增加了配电网络瓶颈的风险。本文旨在解决国内电动汽车充电的挑战,同时优先考虑清洁的太阳能消费。实时的使用费率被视为基于价格的需求响应(DR)机制,其可以激励终端用户使用深度强化学习(DRL)在高太阳能光伏发电的小时内最佳地转移EV充电负载。从山核桃街数据集的历史测量进行分析,以塑造一个灵活性的潜在奖励,以描述最终用户的收费偏好。实验结果表明,所提出的DQN电动汽车最优充电策略能够通过实现平均88.4的太阳能利用率,平均减少电费11.5
2022-11-17 cs.LG eess.SP
Implementation of MPPT Technique of Solar Module with Supervised Machine Learning
Purdue University(普渡大学);Bangladesh University of Engineering & Technology (BUET)(孟加拉国工程技术大学)
提出了一种基于监督最大似然法的太阳能光伏系统最大功率跟踪分析方法。为此,设计了光伏系统的总体原理图,并在MATLAB/ Simulink中进行了仿真,以创建数据集。为此,通过分析太阳能电池的输出特性,提出了一种基于神经网络(NN)方法的改进MPPT算法来跟踪太阳能电池组件的最大功率点(MPP)。为了执行该任务,选择贝叶斯正则化方法作为训练算法,因为它即使对于支持大范围训练数据集的较小数据也效果最好。理论分析结果表明,在相同的环境下,改进的神经网络最大功率点跟踪算法比扰动观测法具有更高的效率,光伏系统可以保持在最大功率点运行,不会出现振荡和误判。这样既可以减少误判,又可以避免MPP附近的功率损耗。此外,我们在硬件上实现了该算法,并将其与经验数据进行了比较,验证了理论结果。
2021-10-02 cs.LG cs.SY eess.SY
An Interpretable Machine Learning Approach to Understanding the Relationships between Solar Flares and Source Active Regions
Canakkale Onsekiz Mart University(恰纳卡莱奥克兹马尔特大学);New Jersey Institute of Technology(新泽西理工学院);Institute for Space Weather Sciences(空间天气科学研究所)
本研究利用随机森林模型分析2011-2021年太阳耀斑观测数据,探究源活动区物理特征与≥C级耀斑的关联,识别出关键影响特征并验证其在全局和局部解释中的作用。
2025-02-20 astro-ph.SR cs.LG physics.space-ph
Forecasting Solar Power Generation on the basis of Predictive and Corrective Maintenance Activities
PDEU(PDEU大学)
太阳能预测在过去十年中有了巨大的增长,使用从气象站收集的历史时间序列,如天气变量风速和风向,太阳辐射和温度。它有助于太阳能发电厂的整体管理。然而,太阳能发电厂定期需要预防性和纠正性维护活动,这进一步影响了能源生产。本文提出了一种新的工作预测太阳能发电的能源生产的基础上,维护活动,在发电厂观察到的问题,和天气数据。这些结果是在从PDEU(我校)的1MW太阳能发电厂获得的数据集上完成的,该数据集从2012年到2020年每天生成13列数据。有12个结构化列和一个非结构化列,其中包含关于不同维护活动、观察到的问题和每日天气状况的手动文本条目。非结构化列用于使用Hash Map、标志词和停止词创建新的特征列向量。最终数据集包括基于相关性和因果关系分析的五个重要特征向量列。
2022-05-17 cs.AI cs.LG eess.SP
Grouped Gaussian Processes for Solar Power Prediction
University of New South Wales(新南威尔士大学);Data61(Data61研究所)
我们考虑多任务回归模型,其中的观测被假定为几个潜在的节点函数和权重函数的线性组合,这都是从高斯过程先验。开发可扩展的方法预测分布式太阳能和其他可再生能源发电的问题驱动下,我们提出了耦合先验组(节点或权重)的过程,利用功能之间的空间依赖性。我们估计多个分布式站点的太阳能发电预测模型和多个邻近气象站的地面风速。我们的研究结果表明,我们的方法相对于竞争对手的太阳能基准保持或提高了点预测精度,并在所有措施上提高了风预测基准模型。我们的方法始终占主导地位的等效模型没有耦合的先验,实现更快的收益预测精度。同时,我们的方法提供了更好的量化预测的不确定性。
2018-12-04 cs.LG stat.ML
A Machine Learning Dataset Prepared From the NASA Solar Dynamics Observatory Mission
New York University(纽约大学);University of Michigan(密歇根大学);Lockheed Martin Solar & Astrophysics Laboratory(洛克希德·马丁太阳与天体物理实验室);SETI Institute(搜寻地外文明研究所);University of Oxford(牛津大学);Southwest Research Institute(西南研究院);Stanford University(斯坦福大学);University of Glasgow(格拉斯哥大学);NASA Goddard Space Flight Center(美国国家航空航天局戈达德太空飞行中心);University of Amsterdam(阿姆斯特丹大学)
在本文中,我们以适合机器学习研究的格式展示了来自NASA太阳动力学天文台(SDO)任务的精选数据集。从1级科学产品开始,我们已经处理了各种仪器校正,下采样到可管理的空间和时间分辨率,并在空间和时间上同步观测。我们说明了使用这个数据集与两个示例应用程序:预测未来的EVE辐照度从目前的EVE辐照度和翻译HMI观测到AIA观测。对于每个应用程序,我们都提供了指标和基线,以便将来进行模型比较。我们预计,这个精心策划的数据集将促进太阳物理学和物理科学领域的机器学习研究,增加SDO任务的科学回报。这项工作是2018年NASA前沿发展实验室计划的直接结果。请参阅附录获取数据集。
2019-03-11 astro-ph.SR cs.AI cs.DB
Machine Learning Solar Wind Driving Magnetospheric Convection in Tail Lobes
University of Colorado Boulder(科罗拉多大学博尔德分校);University of Iowa(爱荷华大学);University of Bergen(卑尔根大学);Technische Universität Braunschweig(布伦瑞克工业大学)
为了定量研究全球范围内磁尾叶中磁层对流的驱动机制,我们利用ARTEMIS航天器在深尾和Cluster航天器在近尾的数据。以前的工作表明,在月球附近的叶,我们可以估计对流利用ARTEMIS测量的月球离子速度。在本文中,我们使用机器学习模型分析这些数据集,以确定哪些上游因素驱动不同磁尾区域的叶对流,从而了解控制尾叶动态的机制。我们的研究结果表明,机器学习模型的预测和测试对流速度之间的相关性(>0.75)远远优于多元线性回归模型(~ 0.23 - 0.43)。系统分析表明,IMF和磁层活动对全球磁尾叶等离子体对流有重要影响。
2022-02-09 astro-ph.EP astro-ph.SR cs.LG
Forecasting SEP Events During Solar Cycles 23 and 24 Using Interpretable Machine Learning
NASA Ames Research Center(NASA艾姆斯研究中心);New Jersey Institute of Technology(新泽西理工学院);Georgia State University(佐治亚州立大学);Purdue University(普渡大学)
本研究整合SHARP与SMARP数据集,采用SVM等机器学习策略预测太阳耀斑后SEP事件,准确率达0.7±0.1,14小时预报准确率较以往小幅提升,凸显了开发物理信息驱动的先进模型的必要性。
2024-03-04 astro-ph.SR cs.LG physics.space-ph
High-Cadence Thermospheric Density Estimation enabled by Machine Learning on Solar Imagery
University of Oxford(牛津大学);University of Cambridge(剑桥大学);University of Surrey(萨里大学);University of Colorado at Boulder(科罗拉多大学博尔德分校)
针对热层密度估计受地面代理指数限制精度不足的问题,提出将NASA SDO的EUV太阳图像引入神经热层密度模型,可提升时间分辨率与预测性能,为业务化预报提供支撑。
2023-11-12 astro-ph.EP cs.LG physics.space-ph
FusionSF: Fuse Heterogeneous Modalities in a Vector Quantized Framework for Robust Solar Power Forecasting
Alibaba Group(阿里巴巴集团);Meta Platforms, Inc.(元平台公司)
提出FusionSF多模态融合框架,通过向量量化对齐历史功率、数值天气预报和卫星图像,实现稳健且高精度的太阳能功率预测,尤其在零样本场景下表现优异,已部署于超300个电站。
2024-02-08 cs.AI cs.CV cs.LG
Deep Fault Analysis and Subset Selection in Solar Power Grids
University of Southern California(南加州大学);Adobe Systems Incorporated(Adobe系统公司)
无法获得可靠和可持续的电力是发展中国家的一个主要问题。太阳能等可再生能源在现阶段并不是很有利可图,因为天气,存储,土地使用等各种不确定性。也存在各种其他问题,如错误的承诺,没有智能故障分析,拥塞等,在本文中,我们提出了一种新的深度学习为基础的系统预测故障和选择发电机优化,以降低成本,并确保更高的可靠性,在太阳能发电系统。结果是非常令人鼓舞的,他们表明,本文提出的方法有可能在发展中国家成功地应用。
2017-11-08 cs.AI cs.CE cs.LG