用于非常短期太阳辐射预测的半实时决策树集成算法

工业活动正向脱碳转型，聚焦可再生能源，特别是光伏太阳能。然而，光伏能源固有的高变异性带来了挑战。其中一些挑战可以通过预测电力生产来部分解决，而光伏太阳能的电力生产则严重依赖于太阳辐射预测。尽管在这一领域已经进行了广泛的研究，但在高变异性情景下的非常短期（分钟内）预测研究存在明显的空白。在本提案中，我们使用来自加拿大阿尔德维尔光伏太阳能厂的真实数据，预测15秒和30秒的辐射。我们的目标是在接近实时的情况下进行这一预测。为此，我们提出使用基于决策树集成的机器学习算法，因为它们的计算训练成本低且效果已知。另一方面，我们提议通过对不同传感器测量数据进行时间和空间相关性分析来预处理数据。特征选择分析使我们能够确定风向，从而识别最相关的面板进行模型训练。这一预处理增强了模型的再训练，而无需在云层高度变幻不定的日子里获取外部信息，如天空图像或风速和风向。所提出的方法论提供了具有显著缩短的训练时间的有希望的结果，证明了这种半在线训练方法对高变异性时间序列预测的适用性。