SKIPP’D

SKIPP’D数据集由斯坦福大学的环境评估与优化（EAO）组创建，旨在为基于图像的短期太阳能预测研究提供标准化基准。数据集包含2017至2019年三年的高质量控制下采样的天空图像和光伏发电数据，适合深度学习模型开发。此外，还提供了高分辨率、高频率的天空图像和光伏发电数据，以及相应的视频片段，以支持研究灵活性。数据集的应用领域包括天空图像分割、云类型分类和云运动预测，旨在解决太阳能预测中的短期波动问题。

SKIPP’D dataset was created by the Environmental Assessment and Optimization (EAO) Group at Stanford University, aiming to provide a standardized benchmark for image-based short-term solar forecasting research. The dataset includes high-quality, controlled downsampled sky images and photovoltaic power generation data spanning three years from 2017 to 2019, which is suitable for deep learning model development. Additionally, high-resolution, high-frequency sky images and photovoltaic power generation data, as well as corresponding video clips, are provided to support flexible research. Its application fields include sky image segmentation, cloud type classification and cloud motion prediction, with the goal of addressing short-term fluctuation problems in solar forecasting.

搜集汇总

数据集介绍

构建方式

SKIPP’D数据集由斯坦福大学的环境评估与优化（EAO）小组精心构建，涵盖了2017年至2019年的高质量天空图像和光伏发电数据。数据集分为两个层次：一是经过处理的基准数据集，包含每分钟采样的64×64像素天空图像和相应的光伏发电数据，适用于深度学习模型的快速开发和基准测试；二是原始数据集，提供高分辨率（2048×2048像素）和高频率（每秒20帧）的天空视频和图像，以及每分钟记录的光伏发电数据，支持定制化的数据处理和相关领域的研究。

特点

SKIPP’D数据集的显著特点在于其高时空分辨率和多样化的数据类型，为图像驱动的短期太阳能预测提供了丰富的资源。数据集不仅包括处理后的基准数据，还提供了原始的高分辨率视频和图像，满足了不同研究需求。此外，数据集附带了数据处理脚本和基线模型实现，便于研究人员快速复现和扩展相关研究。

使用方法

研究人员可以通过访问数据集的GitHub仓库获取数据处理脚本和基线模型实现，快速开始太阳能预测模型的开发。基准数据集可以直接用于训练和验证深度学习模型，而原始数据集则提供了更大的灵活性，支持定制化的数据处理和模型开发。数据集的使用不仅限于太阳能预测，还可探索天空图像分割、云类型分类和云运动预测等领域的研究。

背景与挑战

背景概述

随着光伏（PV）技术在电力系统中的大规模集成，太阳能发电的间歇性问题日益凸显。为了应对这一挑战，基于天空图像的太阳能预测方法逐渐受到关注。SKIPP’D数据集由斯坦福大学的环境评估与优化（EAO）小组于2022年引入，旨在为基于图像的短期太阳能预测研究提供一个标准化的基准。该数据集包含了2017年至2019年三年间的高质量天空图像和光伏发电数据，为研究人员提供了丰富的数据资源。通过提供高分辨率和高频率的原始数据以及经过处理的基准数据，SKIPP’D数据集不仅支持深度学习模型的开发，还促进了太阳能预测领域的标准化评估和模型比较。

当前挑战

SKIPP’D数据集在构建过程中面临了多个挑战。首先，由于缺乏标准化的数据集，不同研究使用不同的数据集进行模型开发，导致研究成果难以直接比较。其次，深度学习模型对数据量和多样性有较高要求，而现有的公开数据集往往无法满足这些需求。此外，数据采集过程中遇到的设备故障、数据缺失等问题也增加了数据处理的复杂性。为了应对这些挑战，SKIPP’D数据集通过提供高质量的原始数据和经过处理的基准数据，以及包含数据处理脚本和基线模型实现的代码库，为研究人员提供了一个全面的研究平台。

常用场景

经典使用场景

SKIPP’D数据集的经典使用场景主要集中在基于图像的短期太阳能预测研究中。该数据集提供了三年高质量的天空图像和光伏发电数据，这些数据经过处理，可以直接用于深度学习模型的开发和基准测试。通过结合高分辨率的天空视频和高频的光伏发电数据，研究人员可以灵活地进行数据提取和处理，以探索如云分割和云运动预测等相关的太阳能预测领域。

衍生相关工作

SKIPP’D数据集的发布催生了一系列相关的经典工作，特别是在深度学习和计算机视觉领域。例如，基于该数据集，研究人员开发了多种卷积神经网络（CNN）模型，用于光伏发电的实时预测和短期预测。此外，该数据集还启发了对云分割和云运动预测的研究，推动了图像处理技术在太阳能预测中的应用。这些衍生工作不仅丰富了太阳能预测的方法论，也为其他领域的图像处理和深度学习应用提供了宝贵的参考。

数据集最近研究

最新研究方向

在太阳能预测领域，SKIPP’D数据集的引入为基于图像的太阳能预测研究提供了新的基准。该数据集不仅包含了三年的高质量天空图像和光伏发电数据，还提供了高分辨率和高频率的原始数据，以支持多种研究需求。前沿研究方向包括开发和验证基于深度学习的太阳能预测模型，这些模型能够从天空图像中提取关键信息，以准确预测光伏发电的短期波动。此外，数据集的开放性和标准化特性，促进了不同模型之间的比较和方法的探索，推动了太阳能预测技术的进步。

相关研究论文

• SKIPP'D: a SKy Images and Photovoltaic Power Generation Dataset for Short-term Solar Forecasting

  斯坦福大学 · 2022年