一种新型的GRU-XGBoost混合模型，用于微电网中次日光伏发电量的预测

《Scientific African》：A Novel Hybrid GRU–XGBoost Model for Day-Ahead Photovoltaic Generation Forecasting in Microgrids

PVGen预测在微电网中至关重要，但受天气变化影响大。本文提出GRU-XGBoost混合模型，结合GRU的时序建模和XGBoost的非线性修正，并利用PSO优化超参数。实验表明，模型在晴天nRMSE达2.67%，阴天5.12%，均优于基线模型，且R2高达0.9956，验证了其适应复杂天气的可靠性。

　　随着全球能源结构向可再生能源的转型，光伏（PV）技术在可持续微电网（MG）运行中占据了核心地位。然而，由于光照条件的变化，PV发电的固有波动性给高效的能源管理和电网集成带来了显著挑战。为了优化能源存储、负载平衡以及减少对传统能源源的依赖，准确的次日PV发电预测至关重要。本研究提出了一种新颖的混合预测模型，结合门控循环单元（GRU）和极端梯度提升（XGBoost）算法，以解决微电网中PV发电预测的问题。该模型采用两阶段方法：GRU捕捉历史气象和PV数据中的时间模式，而XGBoost则通过建模非线性关系来优化这些预测。粒子群优化（PSO）被用于对两个阶段的超参数进行微调，确保模型的最优性能。在多种天气条件下进行的评估，采用RMSE、MAE、nRMSE和R2等指标，展示了该模型的有效性。实验结果表明，该混合模型的nRMSE为4.17%，相较于现有模型（如GRU-Informer-SVR的33.9%改进和LSTM-Informer的54.5%改进）具有显著优势。在晴朗天气下，模型的nRMSE为2.67%（比单独GRU低38.3%），R2为0.9956；而在阴天时，模型保持了强大的性能，nRMSE为5.12%（比GRU提高了63.9%），R2为0.9670。这表明，该GRU–XGBoost混合模型在多样化天气条件下具有高度的适应性和可靠性，为优化实际能源系统中的PV发电管理提供了潜力。

在微电网中，PV系统的广泛部署得益于其模块化、成本效益和环境友好性。然而，太阳发电的间歇性和波动性导致了显著的操作不确定性，尤其是在次日调度任务中。因此，提高PV发电预测的精度和鲁棒性对于微电网的长期可持续性和可扩展性至关重要。现有的研究在提高预测精度方面取得了进展，但许多模型仍然面临关键挑战，例如缺乏自动化的超参数调整、在阴天等复杂天气条件下的性能下降，以及对准确的次日辐照度输入的高度依赖。这些限制表明，仍然需要一种能够适应大气变化并具备强鲁棒性的预测模型。

本研究提出的混合模型通过结合GRU的时间依赖性建模能力和XGBoost的非线性特征学习与修正能力，克服了这些限制。GRU被用来生成初步的PV发电预测，而XGBoost则通过建模残差的非线性关系来优化这些预测。PSO被用于对两个阶段的超参数进行优化，这使得模型能够在高维参数空间中高效地探索最佳配置，从而提高预测精度和稳定性。此外，模型的紧凑性和可解释性使其成为一种计算效率高的解决方案，特别适用于次日PV发电预测，即使在动态大气条件下也能保持良好性能。

为了确保模型的有效性，本研究采用了来自澳大利亚沙漠知识太阳能中心微电网的高分辨率数据集。该数据集包括六个月内从3月到8月的运行数据，采样频率为每五分钟一次。数据集包含温度、相对湿度、全球水平辐照度（GHI）、散射水平辐照度（DHI）以及实际PV发电输出等关键气象和发电变量。数据预处理包括填补缺失值、将数据集从每五分钟的分辨率聚合到每小时，并保留非零太阳辐照度的白天时间段（从早上6点到晚上8点）。这些步骤确保了模型在学习过程中专注于相关的操作时段，避免了夜间数据的影响。

数据集的描述性统计分析表明，温度、湿度、GHI和DHI等输入特征在观察期内表现出显著的变异，反映了气候变化对PV发电的影响。例如，GHI的范围从0到1098.48 W/m2，平均值为351.57 W/m2，标准差为334.09 W/m2，这表明GHI在日间波动较大，受云层覆盖和大气条件的影响显著。DHI的平均值为63.12 W/m2，标准差为72.29 W/m2，显示了在部分多云条件下PV发电的贡献。PV发电值的范围从0到2431.13 kWh，平均值为933.15 kWh，标准差为877.29 kWh，这表明PV发电量在不同天气条件下存在较大差异。这些数据特征的重要性在于它们能够揭示环境变量与PV发电之间的关系，为模型设计和优化提供依据。

模型的评估指标包括RMSE、MAE、nRMSE和R2，这些指标被用来量化模型的预测性能。RMSE衡量预测值与实际值之间的平方差的平方根，对较大的误差具有更高的惩罚性，适合评估预测误差的整体大小。MAE则是预测值与观测值之间绝对差的平均值，提供了一个更易于解释和稳健的指标，尤其是在误差分布偏斜的情况下。nRMSE通过将RMSE除以实际值的范围，实现了跨不同数据集或操作条件下的无量纲比较。R2衡量模型预测值解释观测数据变异的比例，R2值接近1表示模型具有较高的解释力，而接近0则表明模型拟合度较差。通过这些指标的综合评估，可以全面了解模型的性能。

GRU模型的结构基于门控机制，能够有效捕捉时间序列数据中的长期依赖关系。与更复杂的LSTM单元相比，GRU通过将遗忘门和输入门合并为一个更新门，并直接暴露隐藏状态，从而简化了计算过程。这种结构使GRU在数据量有限或计算资源受限的情况下更受欢迎。然而，GRU在处理复杂和高变的PV发电数据时可能表现出一定的局限性，因此需要结合其他方法，如XGBoost，以提高预测的精度和鲁棒性。

XGBoost是一种先进的集成学习算法，基于决策树的提升方法。它通过引入系统优化和算法改进，提高了传统梯度提升的训练速度和准确性。XGBoost的关键创新包括正则化、并行计算和缓存优化，使其在大规模数据集上具有高效和可扩展性。XGBoost的训练过程涉及逐步添加弱学习者（通常是回归树），其中每个新模型尝试最小化当前模型的残差误差。在每次迭代中，模型预测值被更新为前一个预测值加上当前迭代的弱学习器对输入特征的调整。正则化项被引入以惩罚模型的复杂性，从而防止过拟合。XGBoost还具备处理稀疏数据和自定义损失函数的能力，并且具有早期停止和交叉验证等机制，以自动防止过拟合。

本研究提出的GRU–XGBoost混合模型采用两阶段结构，旨在结合顺序建模和梯度提升技术的优势。第一阶段，GRU网络被训练以基于当前日的历史输入序列预测次日的PV发电概况。每个输入序列由15个连续的小时观测组成，包括温度、湿度、GHI、DHI以及对应的小时。GRU模型输出初步的PV发电预测值，这些预测值随后与次日的气象特征（如小时、温度和湿度）结合，作为XGBoost回归器的输入。XGBoost模型通过建模残差的非线性关系，修正和优化GRU的预测输出，从而提高整体预测精度。这种混合结构不仅提升了模型对时间序列数据的建模能力，还增强了其对非线性关系和突变变化的捕捉能力。

为了确保模型的性能，GRU和XGBoost的超参数均采用PSO进行优化。PSO是一种基于群体智能的优化算法，能够高效地探索高维参数空间，找到最优的模型配置。与传统的网格搜索或随机搜索方法相比，PSO在处理复杂和高维的超参数调整时具有更高的效率和适应性。实验结果表明，GRU模型在训练集上的nRMSE为0.0437，而在测试集上的nRMSE为0.0742。相比之下，GRU–XGBoost混合模型在训练集上的nRMSE为0.0117，在测试集上的nRMSE为0.0417，这表明该模型在训练和测试阶段均表现出显著的改进。此外，该模型在训练集上的R2为0.9989，在测试集上的R2为0.9880，显示出优秀的拟合能力和泛化能力。

在不同天气条件下的评估进一步验证了模型的鲁棒性和适应性。在晴朗天气下，GRU–XGBoost模型的nRMSE为0.0267，R2为0.9956，这比单独的GRU模型分别提高了38.3%和显著改善。在阴天条件下，该模型的nRMSE为0.0512，R2为0.9670，分别比GRU提高了63.9%和显著改善。这表明，该模型在面对不同天气条件时，能够保持较高的预测精度和可靠性，特别适合应用于微电网的次日PV发电预测任务。

与现有模型的比较分析显示，GRU–XGBoost混合模型在多个方面表现出色。在训练集上，该模型的nRMSE比GRU、XGBoost、LSTM、CNN-GRU和CNN-LSTM模型分别降低了43.8%、61.5%、47.3%、43.1%和46.7%。在测试集上，该模型的nRMSE比这些模型也分别降低了类似的百分比。此外，该模型在训练时间上保持了较高的效率，仅需约176秒，与单独的GRU模型（约175.51秒）相比几乎没有显著差异。这些结果表明，GRU–XGBoost混合模型不仅在预测精度上优于现有模型，还在计算效率上具有优势。

本研究提出的模型在实际应用中具有重要的潜力。首先，它能够为微电网的能源管理提供可靠的预测支持，有助于优化能源调度策略、平衡供需关系以及参与能源市场。其次，该模型的结构紧凑，易于理解和实现，适合部署在计算资源有限的环境中。此外，该模型在多种天气条件下表现出色，能够适应现实世界中不可避免的气候波动，为微电网的稳定运行提供了保障。最后，该模型的混合结构允许XGBoost在GRU预测的基础上进行修正，从而提高预测的准确性。

尽管该模型在许多方面表现出色，但仍存在一些局限性。例如，模型的性能依赖于高质量的历史数据，数据不一致或稀疏可能导致预测精度下降。此外，尽管模型在典型天气条件下表现良好，但在极端天气事件（如突然的云层覆盖或长时间低辐照度）下仍可能出现预测误差。因此，在部署该模型时，需要考虑这些因素，特别是在需要实时数据变化快速适应的动态微电网系统中。未来的研究可以探索该模型在实时预测中的应用，以促进其在能源市场中的参与。此外，测试模型在不同地理区域和微电网配置中的可扩展性，也是未来研究的一个重要方向。

综上所述，本研究提出的GRU–XGBoost混合模型在次日PV发电预测中展现了显著的改进，特别是在应对气候变化和非线性发电模式方面。该模型的结构不仅提高了预测精度和鲁棒性，还保持了计算效率，使其成为微电网应用中的一种可靠、可扩展和高效的解决方案。尽管存在一些局限性，但该模型为优化实际能源系统中的PV发电管理提供了重要的基础，展示了其在应对气候不确定性方面的潜力。未来的研究应进一步探索其在实时预测和多地点微电网中的应用，以实现更广泛和深入的推广。