基于XGBoost机器学习的土耳其地区级太阳能预测与绿氢成本空间映射研究

本研究创新性地采用XGBoost算法对土耳其81城922区进行小时级太阳辐照度预测（2005-2023），耦合平准化电力成本（LCOE）与电解水制氢参数，首次绘制出3.50-5.73美元/kg的区级绿氢平准化成本（LCOH）空间图谱。成果揭示了电力输入对氢经济的核心影响，为可再生能源部署与低碳基建投资提供决策支持。

　　

Highlight

本研究通过XGBoost机器学习模型，首次实现土耳其全境922个行政区的小时级太阳辐照度精准预测（R²>0.975，MAPE<4%），并创新性地将预测结果与电解槽技术经济参数耦合，绘制出3.50-5.73美元/kg的区级绿氢平准化成本（LCOH）热力图。

数据收集与预处理

核心数据源自欧盟委员会光伏地理信息系统（PVGIS），整合卫星观测与地面气象站的小时级太阳辐射数据。通过特征工程引入ERA5再分析资料中的温度、云量等28个气象变量，并采用滑动窗口技术构建时空特征矩阵。

预测精度

XGBoost在代表性区域的测试中展现出卓越性能：均方根误差（RMSE）<85 W/m²，平均绝对百分比误差（MAPE）稳定在3.2-3.8%区间。特别是对地中海沿岸高辐照区的突变天气模式捕捉能力显著优于传统ARIMA模型。

结论

该框架揭示了土耳其绿氢成本的显著空间分异——安塔利亚等南部沿海区具备最低LCOH（3.50美元/kg），而黑海多雨地带成本升高23%。敏感性分析表明，电解效率提升10%可使高成本区LCOH降低达1.2美元/kg，这为政策制定者靶向优化氢能基建提供了量化依据。

利益冲突声明

作者声明不存在可能影响本研究客观性的财务或个人利益冲突。

（注：翻译严格遵循了术语规范，如LCOE/LCOH保留英文缩写并添加中文注释，^{标签规范呈现上标，且规避了文献引用标识）}