基于特征选择与机器学习模型提高喜马拉雅干旱和半干旱地区太阳能潜力估算精度

《Scientific Reports》：A feature optimized machine learning framework for solar radiation prediction in the high-altitude Western Himalayan region

　　

摘要

准确预测太阳能潜力对于高效整合光伏系统至关重要，特别是在地理复杂地区，气象变化对电网稳定性构成挑战。本研究通过特征选择和机器学习方法，致力于提高喜马拉雅干旱和半干旱地区的太阳能潜力估算精度。本研究评估了七种特征选择方法，如皮尔逊相关、互信息、XGBoost重要性、LASSO、随机森林重要性、置换重要性和SHAP，以确定太阳辐射的最有影响参数。结果显示，在太阳辐射的预测准确性中，时间变量最为重要，其次是温度。基于K的特征选择结果表明，所选五个特征子集在准确性和复杂度之间提供了有效的平衡，将均方根误差（RMSE）降低了约17.5%（从75.17降至62.01 W/m2），同时与全特征模型相比保持了有竞争力的预测性能。在所有测试模型中，MLP和XGBoost在使用所有特征时取得了最优结果（RMSE约为59.86 W/m2，R2约为0.953）。有趣的是，即使仅使用五个选定的特征，XGBoost和LSTM仍能提供准确的预测（RMSE约为62.46 W/m2，R2约为0.949）。结果表明，该模型框架在降低输入维度的同时，能够提供高准确性的预测（R2 > 0.95），显示了该方法在实际太阳能预测场景中的潜力。