面向小时级光伏交流功率估计的低成本微气象传感与机器学习框架：现场部署评估与可审计工作流

《Designs》：Design and Field Evaluation of a Low-Cost Micro-Meteorological Sensing and Machine-Learning Framework for Hourly Photovoltaic Power Estimation

　　

本研究介绍了一种用于小时级光伏（PV）功率估计的低成本微气象传感与机器学习框架的设计与现场评估。一套545 W光伏（PV）组件和750 W并网逆变器配备了基于NodeMCU ESP8266的采集系统，集成局地气象传感与电功率测量。2026年1月1日至9月3日采集的5分钟现场观测经缺失感知（gap-aware）处理聚合为小时分辨率。在5899个候选小时时间戳中，保留5770个可供建模的观测（97.81%）。采用同期传感和前一小时功率P(t ? 1)估计当前小时目标功率P(t)，按时间顺序以64/16/20划分训练/验证/测试集，并仅使用训练集进行预处理。主要的十种子（ten-seed）三输入反向传播神经网络（BPNN）（照度、温度和前一小时功率）实现全时段平均绝对误差（MAE）11.02 ± 0.88 W（mean ± sample SD），优于三输入XGBoost（version 3.4.1）对照（14.80 ± 0.20 W）。十种子配对MAE改善为3.79 ± 0.96 W；对固定测试期采用分层移动块自助法（hierarchical moving-block bootstrap）得到的95%区间为2.90–4.63 W。完整五输入BPNN精度较低（12.52 ± 1.82 W）；在该站点，湿度和气压未提高平均精度。原始单次运行BPNN的MAE为11.11 W，仅作为单独的历史对照保留。其贡献是可在现场部署且可审计的估计工作流，而非新的学习算法或经验证的设备端推理。三输入BPNN为推荐配置。五输入模型保留为特征消融和全特征基线，而非主要性能主张。估计功率参考可补充PZEM-004T电能测量模块直接测量；故障检测精度、设备端推理及研究站点之外的泛化能力未评估。在单独的质量控制（QC）清洗十种子敏感性分析中，全部1145个测试小时均落在观测训练目标功率范围（0–349.92 W）内，但MAE从≤250 W时的7.69 ± 0.88 W增加至>250 W时的29.24 ± 3.83 W；高功率下可靠性仍有限。

研究背景：光伏（PV）发电受太阳输入、温度、湿度、大气条件、遮挡和短时环境变化影响，估计与预测性能强烈依赖数据来源、预测因子可用性和评估设计。小型分布式PV安装需要局地传感，以减小区域气象观测与组件实际条件间的空间失配。低成本物联网（IoT）平台和人工智能方法已用于PV监测与建模，但模型精度本身不足以证明现场监测系统的工程价值；任务定义、时间划分、缺失数据处理、基线选择和夜间零功率处理均需明确。既有低成本PV监测研究涉及远程监测、辐照估计、故障分类或软传感，尚缺乏将现场部署低成本多传感、缺失感知数据构建、严格时间顺序评估及匹配种子BPNN/XGBoost比较整合为可审计工作流的研究。因此，该研究开展单站点现场评估。

研究开展与结论意义：研究人员设计并部署了545 W PV组件与750 W并网逆变器的传感与采集系统，同步采集局地微气象和电功率，构建当前小时交流功率估计任务，并比较三输入与五输入BPNN、XGBoost及经验基线。主要结论为三输入BPNN（照度、温度、前一小时功率）在固定独立测试期的十种子全时段MAE为11.02 ± 0.88 W，优于三输入XGBoost的14.80 ± 0.20 W；五输入BPNN为12.52 ± 1.82 W，湿度和气压未改善该站点平均精度。其意义在于提供可审计的现场部署估计流程，并提示高功率段可靠性有限，而非提出新算法、验证故障检测或设备端推理。

关键技术方法：站点位于台湾新竹市香山区中华路四段（约24.7891°N, 120.9329°E），2026-01-01至2026-09-03以5 min采集，经缺失感知聚合与精确滞后构建，保留5770/5899 h；按时间64/16/20划分，训练集拟合缩放；比较BPNN、XGBoost、线性回归和持续性基线；BPNN为128–64隐藏层、ReLU、dropout 0.20、Adam、早停；用种子40–49重复训练，并以分层移动块自助法评估配对MAE差异。

研究结果：
4.1 总体模型比较：在匹配三输入、同一1154个测试小时和十种子条件下，BPNN全时段MAE为11.02 ± 0.88 W，XGBoost为14.80 ± 0.20 W；配对改善为3.79 ± 0.96 W，95% bootstrap区间为2.90–4.63 W；五输入配对改善为2.07 ± 1.74 W，区间为0.87–3.44 W。原始单次运行BPNN的MAE 11.11 W仅作为历史对照。
4.2 白昼与PV-active鲁棒性：白昼（06:00–17:59）579个观测用于比较实测与BPNN估计功率，并按照度着色；PV-active和固定夜间后处理指标另行分析，以避免夜间零值使总体指标偏乐观。
4.3 可选夜间后处理：固定夜间置零仅使BPNN全时段MSE由531.95降至529.89 W²、MAE由11.11降至10.23 W，R²两位小数仍为0.95，主要性能结果不依赖夜间截断。
4.4 残差特征：BPNN测试残差均值7.41 W、中位?1.28 W、标准差21.85 W，偏度5.08、峰度51.35；残差非高斯、非同方差，存在偶发大幅低估。
4.5 架构敏感性：128–64为预设主配置；32–16、64–32、256–128架构差异有限，未宣称其普遍最优。
4.6 时间鲁棒性：原始单次BPNN在7月、8月和9月部分测试段性能相近，9月观测较少，不能视为整月估计；十种子报告用于特征消融和XGBoost重复训练。
4.7 多种子鲁棒性与特征消融：十种子五输入BPNN的MAE为12.52 ± 1.82 W、R²为0.9484 ± 0.0071；三输入MAE为11.02 ± 0.88 W、R²为0.9553 ± 0.0040；白昼MAE分别为21.70 ± 2.52 W和19.49 ± 1.55 W。三输入配置经测试期特征消融识别，属探索性且受测试信息影响，需新的独立期确认。
4.8 可解释经验基线：照度–温度经验线性基线在原1154 h测试集MAE为15.02 W、RMSE为29.65 W、R²为0.9232，白昼MAE为29.30 W；由于BPNN还含前一小时功率，不能将差异仅归因于非线性建模。
4.9 补充证据：特征消融与照度相关误差：数据质量审计发现2026-08-31 08:00–11:00四个小时BH1750照度为137.8–226.8 lux但功率为111.1–337.1 W，保留于原建模；另有242个白昼零照度5 min记录，匹配逆变器功率最大1.2 W，未作为自动剔除规则。QC清洗重训练在共同清洗测试集上使BPNN_3的MAE由10.34升至10.46 W，说明清洗不必然改善泛化；事后剔除四个异常点使三输入BPNN MAE由11.02 ± 0.88降至10.40 ± 0.88 W，原结果仍为主。
4.10 按实测目标PV功率的误差分层：XGBoost在0 W带MAE为0.16 W，优于BPNN的1.68 W；各非零带BPNN的MAE较低；>300 W时BPNN为37.67 W、XGBoost为52.59 W，二者均呈负偏；分层差异为描述性，未检验显著性。
4.11 训练–测试功率覆盖与高功率误差（QC清洗多种子分析）：QC清洗后1145个测试小时均在训练目标功率范围0–349.92 W内；但>250 W观测在训练中占8.99%、测试中占12.84%；三输入BPNN十种子MAE在≤250 W为7.69 ± 0.88 W，>250 W为29.24 ± 3.83 W，>300 W为30.20 ± 3.85 W；高功率可靠性有限，250 W仅为诊断分组阈值。

讨论总结：结果为现场系统评估，而非新机器学习算法主张。与持续性基线比较说明同期微气象测量和非线性映射提供了超过前一小时功率的信息；XGBoost提供了非线性树基线。约USD 31.50仅为原型传感与采集子系统组件物料成本，不含安装、维护、网络和校准等，不能证明优于免费公共气象数据。局限包括单站点、不足完整年周期、BH1750为照度代理而非校准辐照、无多站点验证、无设备端推理基准、无故障检测验证、数据中断被显式排除、AHT10无辐射罩；高功率低估可能与训练频率和季节协变量有关，但未证明因果。

结论翻译：本研究设计并现场评估了一种用于小时级PV交流功率估计的低成本传感与机器学习工作流。在5899个候选小时时间戳中，经完整性筛选和精确一小时滞后构建后保留5770个可供建模观测。推荐的三输入BPNN在固定独立时间顺序测试期实现十种子全时段MAE 11.02 ± 0.88 W（mean ± sample SD），匹配三输入XGBoost为14.80 ± 0.20 W。十种子配对改善为3.79 ± 0.96 W，分层移动块bootstrap 95%区间为2.90–4.63 W，条件于单站点测试序列。原始单次BPNN MAE 11.11 W及其四模型比较仅作为历史次要结果，而非主要性能主张。未来应扩展到多站点和多季节、校准辐照测量及实测嵌入式推理成本。特征消融显示，在该站点将湿度和气压加入照度–温度–前一小时功率模型使十种子平均MAE由11.02 ± 0.88升至12.52 ± 1.82 W。因此五输入模型保留用于敏感性分析而非推荐部署。可解释照度–温度经验基线在单独实验中MAE为15.02 W。估计功率参考可补充PZEM-004T实测输出，但故障检测精度、校准辐照传感、设备端计算和更宽运行范围有效性未建立。在单独QC清洗十种子分析中，>250 W测试小时MAE为29.24 ± 3.83 W，≤250 W为7.69 ± 0.88 W。250 W截断为诊断分组阈值而非经验证可靠性边界。242个5 min零照度读数是筛查观察，不能等同于四个不同的低但非零照度/高功率异常。