不同气候类型下太阳预报机器学习方法的统一评估框架

《Renewable Energy》：Machine learning approaches in solar forecasting across different climate types: A unified evaluation framework

　　

不同气候类型下太阳预报中的机器学习方法：一个统一评估框架

研究人员建立了一个跨气候太阳预报的统一评估框架。研究人员在五个不同气候区域评估了六种机器学习模型。在一小时预测范围，树集成方法优于人工神经网络（Artificial Neural Network, ANN）和回归方法。气候变率显著影响预测精度和模型选择。研究人员量化了辐照度稳定性与预测误差之间的关系。

太阳能正在全球范围内快速发展，但其间歇性对电网安全稳定运行构成挑战。准确预测太阳辐照度对平衡电力供需、优化调度和降低运营成本至关重要。尽管机器学习（Machine Learning, ML）方法已在太阳预报中得到广泛应用，但已有研究大多在单一气候条件下独立开展，且数据来源、预测目标、预测范围、评估指标等存在较大差异，导致不同模型的性能结果难以直接比较。目前缺乏一个统一的评估框架来验证不同模型在不同气候类型下的表现。为此，研究人员旨在通过建立固定实验条件的统一评估框架，系统评估六种主流ML模型在多种气候条件下的太阳辐照度预测性能，为模型选择和标准化评估提供依据。

研究人员选取五个不同气候站点，评估六种ML模型在三个预测范围的性能。结果表明，在一小时预测范围内，树集成方法总体最优；气候变率显著影响预测精度和模型选择。该研究为跨气候机器学习太阳预报提供了统一的评估方法和模型选择依据。

关键方法包括：数据来自美国国家太阳辐射数据库（National Solar Radiation Database, NSRDB）五个站点2014年全年小时记录；利用皮尔逊相关分析筛选8个输入变量；用晴空指数（Clear Sky Index, CSI）及其一阶差分ΔCSI量化气候变率；采用1-in-5天策略划分训练集和测试集；以智能持久模型（Smart Persistence Model, SPM）为基线，使用均方根误差（RMSE）、平均绝对误差（MAE）、归一化RMSE（nRMSE）、归一化MAE（nMAE）和决定系数（R²）五种指标；对线性回归（Linear Regression, LR）、多项式回归（Polynomial Regression, PR）、支持向量回归（Support Vector Regression, SVR）、随机森林（Random Forest, RF）、极端梯度提升（Extreme Gradient Boosting, XGBoost）和人工神经网络（Artificial Neural Network, ANN）六种模型进行统一开发，并对SVR、RF、XGBoost进行网格搜索调优；在ML与深度学习对比中额外使用DNN和LSTM。所有实验在高性能工作站上完成。

3.1 跨地点和预测范围的整体性能评估（Overall performance evaluation across locations and forecast horizons）
通过五个地点、三个预测范围的系统对比，所有ML模型在t+1时均优于SPM；RF获得最低平均nRMSE（54.54%）和最高平均R²（0.87），ANN平均nMAE最低（30.84%）。t+2和t+3时，性能显著下降，RF平均nRMSE分别升至81.51%和103.67%，R²降至0.70和0.51，说明无外部预测因子时多步预测实用性有限。

3.2 气候变率与模型性能（Climatic variability and model performance）
利用CSI/ΔCSI分布和RF预测-实测散点图发现，堪培拉和迈阿密CSI集中、ΔCSI窄，预测误差小；上海居中；北九州CSI分散、ΔCSI重尾，误差最大（RF nRMSE=61.47%，R²=0.848）。表明气候变率直接决定预测难度。

3.3 短期动态与模型响应（Short-term dynamics and model response）
通过阿默斯特2014年11月21日的小时级案例分析，所有模型对晨间辐照度上升均存在一小时滞后；RF和XGBoost在滞后后能更积极追赶峰值，ANN轨迹平滑但峰值削减。说明树集成方法对短时波动响应更及时。

3.4 小结（Summary）
综合结果表明，稳定天空地点预测精度高，高变率地点存在固有极限；集成方法擅长捕捉方差和峰值，ANN通过平滑降低平均误差，回归模型系统性滞后。

讨论部分进一步解释了树集成性能优势的机理：CART分区在气象特征空间内赋予局部条件均值，RF通过自助聚合降低方差，XGBoost通过二阶残差目标聚焦困难样本。北九州的逐月分析验证了气候变率的影响：5月CSI和ΔCSI分布最集中，R²=0.880、nRMSE=44.9%；12月和1月分布离散，R²仅0.605和0.527，nRMSE超过109%。与既有文献对比表明RF/XGB的优势具有普遍性。ML与深度学习对比显示，在堪培拉RF优于DNN/LSTM；在波动大站点深度学习仅有微小精度增益，但ML训练和推理效率显著更高：RF训练约4秒，XGBoost推理约0.27–0.44毫秒，LSTM推理超过100毫秒。局限性在于框架依赖内生单站点输入，所有模型在快速波动时均表现为反应式且存在一小时滞后；小时分辨率不足以捕捉云驱动的短时波动。未来方向包括多站点布局、更高时间分辨率数据、纳入数值天气预报/卫星/天空相机等外部预测因子，以及采用概率预测框架。

结论：研究人员在统一框架下评估了六种机器学习模型在多个气候地点的短期太阳辐照度预测性能，得到三个一致规律：第一，所有ML模型在t+1时优于智能持久模型（SPM）基线，但在t+2和t+3时技巧迅速下降，反映无外部预测因子的数据驱动方法存在内在局限；第二，气候变率影响显著，堪培拉和迈阿密等高可预测地点实现高精度，北九州等低可预测地点因更宽的CSI和ΔCSI分布而存在固有预测极限；第三，不同模型架构具有不同误差特征，集成方法（RF、XGB）最忠实捕捉方差和峰值，ANN通过平滑极值获得较低平均误差，回归模型（LR、PR、SVR）在过渡阶段系统性滞后。这些发现为根据气候类型选择预测模型提供了方法学标准和实践指导。此外，树集成模型在计算时间显著更低的情况下达到与深度学习模型相当的预测性能。然而，由于该框架依赖内生单站点输入，所有模型在快速辐照度波动期间仍具有反应性并存在持续一小时滞后，该局限无法仅通过模型选择消除。未来工作应纳入更丰富的外部信息，特别是基于天空图像和多站点模型，并应用更高时间分辨率数据来预测云驱动的GHI斜坡事件。