A spatial–temporal data-driven deep learning framework for enhancing ultra-short-term prediction of distributed photovoltaic power generation
Notice bibliographique
Résumé
• Proposed a spatial–temporal prediction model for PV power generation that combines data-driven and deep learning. • The ABCGRU network based on BiConvGRU, self-attention mechanism and encoder-decoder structure is established. • Pearson correlation coefficient, the normalized Euclidean distance and the Shape-based distance (SBD) analysis based on cross-correlation are used to analyze spatial-temporal characteristics. • The model is verified by four regional and urban datasets. Effective utilization of spatial–temporal information can improve the accuracy of ultra-short-term prediction of power generation from distributed photovoltaic (PV) stations in the region. This paper introduces an ultra-short-term spatial–temporal prediction model for distributed PV power generation, blending data-driven methodology with deep learning technique. The model integrates a self-attention mechanism (SA), a Bi-directional Convolutional Gated Recurrent Unit (BiConvGRU), and an encoder-decoder structure, called ABCGRU. The spatial–temporal attributes of PV power generation can be effectively utilized to accurately predict the output of PV power stations at different locations. Firstly, this paper proposes a 2D distributed PV measurement frame approach considering the spatial–temporal properties of PV power. The combination of Pearson correlation coefficient, the normalized Euclidean distance, the Shape-based distance (SBD) analysis based on cross-correlation and geographic distance reduces the input dimensionality. Secondly, to better capture the spatial–temporal patterns within the 2D distributed PV measurement frame, this paper proposes the ABCGRU model. Finally, the predictive performance of the model is verified through experiments. On the Birmingham dataset, the relative absolute error (RAE) for single-step (15 min) prediction is 0.13, and the average RAE for multi-step (30–60 min) prediction is about four times higher than ConvGRU. The single-step prediction RAE of Little Rock and New Orleans datasets is about 3–4 times higher than ConvGRU. In the comparison between the same series of models, the 4-layer ABCGRU has the highest accuracy. Moreover, the effectiveness of data dimensionality reduction was verified through experimental comparison. The RAE for single-step prediction on the Datong dataset is 0.0048.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».