融合实验与理论方法的机器学习模型在太阳辐射预测中的优化研究

为解决太阳能系统优化中太阳辐射组分预测精度不足的问题，研究人员通过整合理论太阳参数与气象数据，开发了新型混合机器学习框架。研究采用15分钟间隔的一年期气象站数据，结合8,784组实验数据验证理论模型，并评估了28种ML算法。结果表明，指数高斯过程回归(Exponential GPR)模型表现最优，R2>0.99，RMSE低至0.13 W/m2，显著优于现有模型。该研究为高精度太阳能预测提供了可扩展的解决方案。

　　

在可再生能源快速发展的背景下，太阳能的高效利用面临关键挑战——太阳辐射预测的准确性直接影响光伏系统的发电效率和电网稳定性。传统预测方法如数值天气预报(NWP)和统计模型存在计算复杂或适应性不足等问题，尤其在科威特等沙漠气候地区，沙尘、湿度变化等环境因素进一步增加了预测难度。

针对这一难题，澳大利亚大学（Australian University）科威特分校机械工程系的研究团队创新性地将理论太阳几何计算与机器学习(ML)技术相结合，开发出混合预测框架。该研究通过RK900-01自动气象站和RK200-08太阳追踪器采集15分钟间隔的全年数据，整合太阳赤纬角、时差方程(EoT)、太阳高度角等理论参数，以及温度、湿度等气象变量，构建了包含10个特征的数据集。研究人员采用四种数据预处理方案（包括高斯拟合和零值剔除），系统评估了线性回归、支持向量机(SVM)、高斯过程回归(GPR)等28种ML模型，最终发现指数核函数的GPR模型在预测全球太阳辐射(G)、直射辐射(I)和散射辐射(D)方面表现最优，其R²达到1.00，RMSE仅为0.13-0.15 W/m²，较文献报道的典型值（RMSE 20-60 W/m²）提升两个数量级。相关成果发表在《Engineering Microbiology》上。

关键技术方面，研究团队首先通过天文公式计算太阳几何参数（如赤纬角δ=23.45°sin[360(284+n)/365]），结合Angstrom-Prescott模型估算辐射组分；其次采用高斯函数y(x)=ae^-(x-b)2/2c2拟合日辐射曲线优化数据质量；最终通过MATLAB回归学习器进行模型训练，采用留一法验证性能。

研究结果显示：

1. 理论模型验证：月均理论值与实测值的误差呈现季节性波动，6-7月误差<1%，而11月达30.25%，证实单纯理论模型在复杂气候下的局限性。

2. ML模型比较：在四种数据处理场景中，指数GPR始终保持最优，其MAE（0.06-0.07 W/m²）比次优模型（如Bagged Trees的MAE 11.94）降低99%。

3. 数据预处理影响：高斯拟合使多数模型的R²提升0.01-0.03，而零值剔除对指数GPR的改进幅度较小（RMSE从0.021降至0.018）。

讨论指出，该研究的创新性体现在三方面：首次将太阳几何计算与ML结合提升物理可解释性；通过高斯拟合处理日辐射曲线噪声；系统评估零值（夜间数据）对模型的影响。指数GPR的成功归因于其处理非线性关系和不确定性能力，其核函数k(x,x?)=σ²e^{-(x-x?)2/2λ2}能有效捕捉太阳辐射的时空变化特征。

结论强调，这种混合框架为沙漠地区太阳能预测建立了新范式，未来可通过集成卫星数据和扩大气象站网络进一步提升泛化能力。研究团队Nader Ghareeb等提出的方法已展示出在智能光伏系统、微电网调控等场景的应用潜力，为科威特等国的能源转型提供了关键技术支撑。