面向沙特两城市月度光伏-风电功率预测的计算可持续性混合深度学习框架

《Engineering Applications of Artificial Intelligence》：Computationally sustainable hybrid deep learning for month-ahead solar–wind power forecasting in two Saudi cities

　　

专业摘要翻译 提出一种针对沙特阿拉伯气候条件优化的混合太阳能-风能（Solar-Wind）能源系统。研究人员整合了人工智能（AI）驱动的预测技术以增强可再生能源的可靠性，并评估了大规模可持续发电的技术经济可行性。研究证明了碳减排效果，支持沙特2030愿景（Saudi Vision 2030）的能源目标，同时为干旱地区混合可再生能源部署提供了可扩展框架。该研究构建了可持续人工智能太阳能-风能功率预测系统（Sustainable AI Solar–Wind Power Forecasting System，SWPFS），该系统融合了同步跨资源数据融合、统一的月度前瞻评估、贝叶斯超参数搜索（Bayesian Hyperparameter Search）、训练与推理碳核算、显式可持续性评分以及基于帕累托（Pareto）的决策支持。研究在沙特两座城市——Sakaka光伏电站与Dumat Al-Jandal风电场——的同步融合数据集上评估了十种候选架构，涵盖卷积-循环、注意力机制、Transformer、小波和集成学习等模型家族。在统一的时序划分与防泄漏（leakage-aware）协议下，最优模型实现了平均绝对百分比误差（MAPE）6.6%、决定系数（R2）0.87的预测性能。研究同时报告了各模型的训练碳排放与每千次推理碳排放，并通过可持续人工智能评分（70%权重赋予预测精度、30%权重赋予碳效率）及决策鲁棒性测试（精度权重敏感性扫描与10,000次蒙特卡洛扰动分析）进行多准则模型选择。研究结论表明，融合太阳能-风能信息能够支持可靠的月度前瞻可再生能源功率预测，同时显式核算计算的环境成本，为干旱地区零碳城市能源规划提供了决策参考框架。

论文解读文章

一、研究背景与问题

全球向零碳城市转型是21世纪最具雄心的可持续发展倡议之一。据国际能源署（International Energy Agency，IEA）统计，全球超过70%的二氧化碳（CO₂）排放源自城市，主要来自建筑、交通和工业的能源消耗。在此背景下，《巴黎协定》和联合国可持续发展目标（Sustainable Development Goals，SDGs）所锚定的2030年全球可持续发展愿景，将可再生能源部署视为城市韧性的基石。太阳能和风能凭借其可扩展性和近零排放特性，成为实现这一愿景的主要推动力。然而，太阳能和风能具有间歇性和随机性特征，给电网稳定性带来显著挑战，亟需开发能够确保高效能源调度、分配和并网的预测模型。

尽管可再生能源功率预测领域已取得快速进展，但面向月度前瞻决策支持仍存在三个实质性研究空白：第一，多数研究侧重于短期预测和单一资源预测，难以判断模型在太阳能与风能信号融合后、在较长预测周期上是否保持稳定；第二，基准研究往往混用数据集、划分策略和评价指标，使得表面上的性能提升难以归因于模型架构还是实验设计；第三，计算碳排放很少被纳入模型选择规则本身。此外，绿色人工智能（Green Artificial Intelligence，GAI）理念要求将模型评估从单纯预测精度扩展到计算效率、能源需求和碳强度，因为资源密集型模型可能侵蚀可再生能源应用本身所带来的环境效益。

二、研究内容与意义

研究人员提出并评估了可持续人工智能太阳能-风能功率预测系统（Sustainable AI Solar–Wind Power Forecasting System，SWPFS），该系统在统一的时序框架下对十种候选架构进行联合评估，涵盖卷积-循环、注意力机制、Transformer、小波和集成学习等模型家族。研究回答三个核心问题：（1）哪种架构使预测误差最小；（2）哪种架构使计算碳排放最小；（3）当两个准则同时考虑时，哪种架构提供最强的决策相关折中方案。

研究的重要意义在于：首次在月度前瞻融合太阳能-风能预测中同时报告预测误差与训练/推理碳排放，将环境成本显式纳入模型选择规则；通过统一的防泄漏评估协议消除了实验设计差异对模型比较的混淆；通过帕累托（Pareto）前沿和决策鲁棒性测试为干旱地区零碳能源规划提供了可复现的决策支持框架。

三、关键技术方法

研究人员在沙特两座城市开展研究：Sakaka光伏电站（太阳能数据，2023年1月至2024年12月，小时分辨率）和Dumat Al-Jandal风电场（风能数据，2024年4月至2025年4月，10分钟分辨率）。风能观测数据被聚合为小时均值，保留2024年4月1日00:00至2024年12月31日23:00的公共区间，共6600个对齐小时时间戳。缺失率总体为1.3%（太阳能变量1.1%、风能变量1.5%），不超过三小时的孤立缺口采用线性插值，较长缺口予以排除；异常值采用四分位距（Interquartile Range，IQR）的1.5×IQR规则筛选；最小-最大归一化参数仅从训练分区估计。最终时序分配为：4620个训练观测（2024年4月1日至10月10日11:00）、990个验证观测（10月10日12:00至11月20日17:00）、990个测试观测（11月20日18:00至12月31日23:00），不使用随机打乱。

每个预测起点使用720小时历史窗口，产生直接720步（30天）的融合可再生能源功率轨迹，采用直接多输出预测而非递归单步传播。未来气象协变量仅限于预测发布时可得的信息，使用欧洲中期天气预报中心（European Centre for Medium-Range Weather Forecasts，ECMWF）扩展范围集合预报（00 UTC初始化、延伸至46天）的集合平均气象特征映射到公共小时模型网格，未来实测气象数据在训练、验证和测试中均被排除。

预测精度采用平均绝对误差（Mean Absolute Error，MAE）、均方误差（Mean Squared Error，MSE）、均方根误差（Root Mean Squared Error，RMSE）、平均绝对百分比误差（Mean Absolute Percentage Error，MAPE）和决定系数（Coefficient of Determination，R²）评估。计算可持续性从训练碳排放和每千次推理碳排放评估。可持续人工智能评分采用RMSE和训练碳排放的极小-极大归一化，精度权重70%、碳效率权重30%。决策鲁棒性测试包括精度权重0.50至0.90的敏感性扫描，以及10,000次蒙特卡洛扰动（RMSE标准差2%、训练碳排放标准差5%）。每个架构使用固定种子42、123、2024、2025和2026进行五次独立训练，报告五次运行的均值与样本标准差。

四、研究结果

预测精度结果：在统一的月度前瞻融合预测框架下，最优模型实现了MAPE 6.6%、R² 0.87的预测性能。研究明确说明，由于不同研究的预测周期、目标变量、数据来源和验证协议差异显著，跨文献直接进行数值排名是不恰当的。

计算碳排放结果：研究对各候选架构的训练碳排放和每千次推理碳排放进行了量化比较，将计算环境成本纳入模型评估体系，而非作为定性的事后补充。

可持续人工智能评分与帕累托决策：通过可持续人工智能评分（70%精度权重、30%碳效率权重）和帕累托前沿分析，识别出在预测精度与计算碳效率之间提供最强决策相关折中的架构。决策鲁棒性测试（精度权重敏感性扫描和蒙特卡洛扰动）检验了排名结论对测量或报告不确定性的稳健性。

重复拟合变异性：对每个架构的五个固定种子训练结果，报告了各指标的均值与样本标准差，并给出了条件95%区间（2.776×s/√5），该区间关注的是给定数据和划分条件下训练随机性的影响，而非预测区间或地理迁移不确定性。

五、讨论与结论

研究讨论部分明确指出：模型层面的碳评估量化了训练和推理相关的排放，预测输出为调度、备用规划、储能协调和可再生能源分配提供支持信息。研究未直接测量避免弃电、备用需求、化石燃料替代、运营成本或电网级排放，这些系统级结果需要调度或电力系统模型，属于后续验证阶段。图1所展示的零碳城市能源规划概念应用框架的运营效益并非本案例研究的实测结果。

研究结论表明：融合太阳能-风能信息能够支持可靠的月度前瞻可再生能源功率预测，同时显式核算计算的环境成本。研究的方法论新颖性被刻意限定——单个卷积、循环、小波、注意力和Transformer模块均为成熟方法，其贡献在于它们在SWPFS系统中的集成，该集成将同步跨资源融合、统一的月度前瞻评估、贝叶斯超参数搜索、训练和推理碳核算、显式可持续性评分和帕累托决策支持相结合。这一区分将所提出的系统与传统的架构排行榜区分开来，避免了将新颖性归因于标准神经组件。研究为干旱地区混合可再生能源部署提供了可扩展框架，支持沙特2030愿景的能源目标。