在数据稀缺的情况下，通过天空图像混合增强方法提高卷积神经网络（CNN）在光伏发电预测中的泛化能力 Markos A. Kousounadis-Knousen, Velissarios Theocharis, Athina P. Georgilaki, Pavlos S. Georgilakis

《Electronics》：Improving CNN Generalization for PhotovoltaicNowcasting Under Data Scarcity Through Sky Image Hybrid Augmentation Approaches Markos A. Kousounadis-Knousen, Velissarios Theocharis, Athina P. Georgilaki and Pavlos S. Georgilakis

　　

摘要

基于深度学习的可靠光伏（PV）功率预测通常需要大量的历史数据集来捕捉太阳辐射的高时间和空间变化性。然而，在许多实际应用中，数据仅限于较短的观测周期，这阻碍了深度学习模型的有效训练。本文研究了如何通过天空图像数据增强技术来提高在数据稀缺条件下训练的卷积神经网络（CNN）的泛化能力。评估了三种基于增强的过采样方法——SMOTE、Mixup-kNN和Mixup-RP，以及两种结合这些方法的新型混合策略（并行和串联配置）。该框架在两个不同的光伏功率现在预测案例研究中得到了验证，其中原始的天空图像训练数据集的跨度不到一个月。实验结果表明，与原始基础数据集相比，在增强数据集上训练CNN时，外部测试数据的平均性能提高了多达50％，这表明即使在新建光伏系统典型的数据稀缺条件下，也可以实现准确的光伏功率现在预测，并突显了数据高效学习方法在可再生能源应用中的潜力。