Predicting solar photovoltaic generation impacted by severe wildfire smoke
Notice bibliographique
Résumé
Abstract The negative impact of wildfire smoke on solar photovoltaic (PV) generation by reducing the amount of solar irradiance reaching the modules has been observed worldwide. However, the predictive capability to capture the impact on solar electricity production still needs to be improved. For example, in the summer of 2023, smoke from Canadian wildfires spread to the northeastern U.S., impacting solar PV output in the region. The New York Independent System Operator (NYISO) day-ahead forecasts for this period significantly overpredicted PV output. This paper presents novel machine learning-based models for predicting the hourly solar capacity factor, focusing on improving predictive performance during periods of severe wildfire smoke. The results demonstrate a R 2 value of up to 0.85 for the severe wildfire periods (aerosol optical depth (AOD) above the 99.99th percentile) from our models, significantly outperforming NYISO’s R 2 value of 0.50 across six load zones included in the analysis. The greatly enhanced performance arises from two innovations. First, we adopted a series of data products, newly available in the public domain, from the high-resolution rapid refresh smoke (HRRR-Smoke) weather forecasting system. These include predictions of the AOD and the downward shortwave radiation flux incorporating aerosol impacts. Our study marks the first time the HRRR-Smoke wildfire AOD product has been used in solar electricity forecasts. Second, we employed upsampling strategies to address the data imbalance issues due to the inherently infrequent nature of wildfire events. As the data products are publicly available, our methodology can be readily adopted by power system operators to enhance predictions of solar electricity production during periods of wildfire smoke, ensuring the reliability of power grids with high penetration of solar energy.
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 | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 ».