Vorhersage der stündlichen Solareinstrahlung für den folgenden Tag basierend auf einem mehrattributigen raumzeitlichen Graphen-Convolutional Network

Die Vorhersage der solaren Bestrahlungsstärke ist grundlegend und unverzichtbar für die kommerzielle Verbreitung der Solarenergie, da sie die Schwankungen der Energieerzeugung überwinden hilft. Eine präzise Vorhersage beruht auf historischen Daten der solaren Bestrahlungsstärke, den Korrelationen zwischen verschiedenen meteorologischen Variablen (z. B. Windgeschwindigkeit, Luftfeuchtigkeit und Bewölkung) sowie den Wechselwirkungen zwischen den Wetterbedingungen räumlich benachbarter Regionen. Bisherige Studien beschränkten sich jedoch auf die raumzeitliche Analyse nur weniger Variablen, die eine klare Korrelation mit der solaren Bestrahlungsstärke aufweisen (z. B. Sonnenscheindauer), und versuchten nicht, aus einer Vielzahl meteorologischer Variablen kontextuelle atmosphärische Informationen abzuleiten. Daher wird in dieser Studie ein neuartiges Modell zur Vorhersage der solaren Bestrahlungsstärke vorgestellt, das atmosphärische Parameter, die an mehreren Stationen beobachtet wurden, als attributiertes dynamisches Netzwerk darstellt und mithilfe einer Erweiterung bestehender raumzeitlicher Graphen-Convolutional-Network-Modelle (ST-GCN) die zeitlichen Veränderungen im Netzwerk analysiert. Durch den Vergleich des vorgeschlagenen Modells mit bestehenden Ansätzen untersuchen wir zudem den Beitrag von (i) der räumlichen Nachbarschaft der Stationen, (ii) den zeitlichen Veränderungen der meteorologischen Variablen und (iii) der Vielfalt der Variablen für die Vorhersageleistung. Die Leistungsfähigkeit des vorgeschlagenen und bestehender Modelle wurde anhand der Vorhersage der stündlichen solaren Bestrahlungsstärke an Beobachtungsstationen auf der koreanischen Halbinsel evaluiert. Die experimentellen Ergebnisse zeigen, dass diese drei Merkmale synergistisch wirken und Korrelationen aufweisen, die mit einer einseitigen Analyse schwer zu erfassen sind.