中国研究人员首次将基于时间卷积网络的机器学习技术应用于光伏功率预测。
TCN ECANet GRU的框架
图片：武汉纺织大学，科学报告，知识共享许可CC BY 4.0
来自中国的科学家开发了一种用于短期光伏发电的新型机器学习方法。它基于嵌入有效通道注意力网络（ECANet）和门控递归单元（GRU）模型的时间卷积网络（TCN）。
研究人员表示：“报告提出的模型在短期光伏功率预测中有很好的应用前景，可以提供高度准确的预测结果。”。“这种方法代表了该领域相对较新的尝试，也可用于其他时间序列预测。”
报告解释了TCN是一种可以并行处理多个时间序列信息的机器学习方法。与卷积神经网络（CNNs）和递归神经网络（RNN）相比，这可以减少计算资源的消耗。ECANet是TCN的一个改进模块，可提高卷积性能。
“TCN-ECA模块提取多变量时间序列的时间和空间特征，”科学家们在谈到他们的模型框架时说。“GRU进一步学习时间特征，并在特征和输出之间建立联系，以预测光伏发电量。”
他们进一步解释说，GRU是长短期记忆（LSTM）RNN的变体。它可以解决RNN中梯度消失的问题，并且与纯LSTM相比，它具有“更简洁的结构和更少的参数计算”、
为了研究TCN ECANet GRU，该学术小组使用了2018年12月至2019年11月期间记录的澳大利亚DKASC光伏电站的数据。他们使用风速、温度、风向、全球水平辐射、日降雨量、最大风速和气压作为模型的输入，每隔五分钟记录一次。
然后将数据点分为夏季、秋季、冬季和春季。对于每个季节，科学家使用72:18:10的训练、验证和测试比例。在测试阶段，实验要求模型根据之前时刻的记录预测接下来的五分钟时刻。
通过电动汽车充电设施优化使用光伏的研究模型2024年2月14日澳大利亚研究人员表明，使用优化太阳能系统的免费电动汽车（EV）充电设施可以在未来降低电网需求…
将TCN-ECANet-GRU模型的预测结果与支持向量回归（SVR）、GRU和TCN三个单一模型的预测效果进行了比较。此外，它还针对两种混合模型进行了测试：CNN-GRU和TCN-GRU。基于三个性能评估指标进行比较：归一化均方根误差（RMSE）、归一化平均绝对误差（MAE）和决定系数（R2）。
科学家们发现：“所提出的模型通常在四季数据上表现良好，最小RMSE为0.0195，最小MAE为0.0128，最大R2为99.72%，与次优模型相比，最大改进分别为11.32%、8.57%和0.38%。”。
在对模型进行下一个5分钟的测试后，该小组还对其进行了3、6和9个步骤的测试，分别对应于15分钟、30分钟和45分钟。研究发现，对于3个步骤的预测，与次优模型相比，TCN ECANet GRU的RMSE和MAE分别最大降低了18.85%和18.68%。
他们补充道：“在6步预测中，RMSE和MAE分别最大限度地降低了8.92%和22.61%。”。“在9步预测中，RMSE和MAE的最大降幅分别达到23.73%和44.15%，这在一定程度上表明所提出的模型在前向预测中具有更大的优势。”
他们的发现发表在《科学报告》上的研究“基于TCN-ECANet-GRU混合模型的光伏发电短期预测方法”中。这项研究由中国武汉纺织大学、中南财经政法大学和湖北汽车技术大学的科学家进行。