基于稳健自适应分解（RAD）与大气透明度及UV辐射指标的太阳能潜力预测方法创新研究

本研究提出一种新型稳健自适应分解（RAD）方法，用于提升太阳辐射时间序列数据的预测精度。该方法通过自适应加权机制有效剔除异常值与高频噪声，分解得到平稳本征模态函数（IMF），并结合ARIMA与LSTM模型构建混合预测模型。实验表明，RAD-ARIMA和RAD-LSTM在多种太阳辐射数据集（ALLSKY_SFC_SW_DWN、ALLSKY_KT、ALLSKY_SFC_UV_INDEX）上均显著降低MAE、RMSE和MAPE误差，为气候敏感决策、农业及能源规划提供重要工具。

　　

在全球能源结构转型与气候变化的背景下，太阳能作为一种清洁、可再生的能源形式，其开发利用受到广泛关注。然而，太阳辐射的时空波动性和不确定性给能源系统的规划与运行带来巨大挑战。尤其在实际应用中，太阳辐射数据常受到气象条件、云层变化和测量噪声的干扰，导致传统预测方法精度有限，难以满足电网调度、农业管理和气候研究等高精度需求。

为了提升太阳辐射预测的准确性与稳健性，来自巴基斯坦Abdul Wali Khan University Mardan统计系的Laiba Sultan Dar、Muhammad Aamir、Seema Bibi和Muhammad Bilal开展了一项创新研究，提出了一种名为“稳健自适应分解”（Robust Adaptive Decomposition, RAD）的新方法，并结合传统时间序列模型与深度学习模型进行预测验证。该研究发表于《Journal of Radiation Research and Applied Sciences》，为太阳能潜力评估与能源决策提供了重要工具。

在方法上，作者主要采用了以下几种关键技术：

1. 1.

   稳健自适应分解（RAD）：通过中位数绝对偏差（MAD）加权机制识别并削弱异常值影响，利用立方样条插值构建残差序列，并依据相关性准则确定分解停止点，提取本征模态函数（IMF）。

2. 2.

   变分模态分解（VMD）：作为对比方法，将信号分解为频带有限的IMF，并通过排列熵确定最优模态数。

3. 3.

   长短期记忆网络（LSTM）：用于捕捉时间序列中的长期依赖关系。

4. 4.

   自回归综合移动平均模型（ARIMA）：处理线性时间序列结构。

5. 5.

   交叉验证：采用三折交叉验证评估模型泛化能力。

数据集来自NASA POWER项目，包括三种太阳辐射指标：ALLSKY_SFC_SW_DWN（全天地表短波向下辐照度）、ALLSKY_KT（全天透明度指数）和ALLSKY_SFC_UV_INDEX（全天紫外线指数），时间跨度为2023年4月至2024年4月，覆盖突尼斯地区。原始数据经预处理后保留34,628条有效观测值。

研究结果

RAD与VMD分解效果对比

通过计算各IMF与原始信号的相对误差，研究发现RAD分解后的残差项误差显著低于VMD。在ALLSKY_SFC_SW_DWN数据中，RAD仅需分解至第一阶IMF即达到停止条件，而VMD分解出的多个IMF均呈现较高误差，表明RAD在噪声分离与信号提取方面更具优势。

预测精度评估

在测试集上，RAD-ARIMA模型在ALLSKY_SFC_SW_DWN和ALLSKY_KT数据上均取得最低误差（MAE分别为0.0159和0.0177，MAPE为3.688%和3.9935%），而RAD-LSTM在ALLSKY_SFC_UV_INDEX数据上表现最佳（MAE=0.01597，MAPE=3.61098）。相比之下，VMD混合模型误差普遍较高，尤其在ALLSKY_SFC_SW_DWN预测中MAPE高达526.354%，表明其稳定性较差。

交叉验证结果

在三折交叉验证中，RAD-ARIMA在Fold 2和Fold 3中误差最低（MAPE分别为3.5366%和1.4858%），而RAD-LSTM在Fold 1中表现最优（MAPE=0.89%）。进一步验证了RAD方法在不同数据子集上的稳健性与适应性。

预测结果可视化

实际值与预测值对比图显示，RAD-ARIMA和RAD-LSTM的预测曲线与真实值高度吻合，尤其在波动较大的区段仍能保持较高精度，而VMD系列模型则出现明显偏差。

结论与讨论

该研究提出的RAD方法通过自适应加权和相关性准则，有效解决了传统分解方法（如VMD、EEMD）中的模态混叠、虚假模态和参数依赖性问题。其优势在于无需预设模态数或噪声水平，即可实现噪声与信号的清晰分离，并生成平稳的IMF，从而为后续建模提供高质量输入。

在应用层面，RAD-ARIMA和RAD-LSTM混合模型不仅显著提升了预测精度，还展现出较强的泛化能力，适用于多种太阳辐射类型和不同气候条件。这一方法为太阳能发电预测、电网调度、农业光照管理及气候政策制定提供了可靠的技术支持。

未来的研究方向包括将RAD扩展至实时太阳能预测系统，结合卫星遥感数据与多变量分解方法，进一步提升时空分辨率与预测效率。此外，引入熵优化与机器学习辅助的IMF筛选机制，也有望在复杂气象条件下增强模型的解释性与稳定性。

总之，这项研究不仅在方法学上创新了时间序列分解与预测的框架，也为可再生能源领域的精准决策与智能化管理提供了重要实践依据。