《Energy and AI》:Explainable optimized voting ensemble for photovoltaic power forecasting
编辑推荐:
准确预测光伏(PV)功率对于提升电网可靠性及优化可再生能源系统能量管理至关重要。研究人员提出一种基于优化集成回归框架以改善PV功率预测。采用三种机器学习模型(长短期记忆网络(LSTM)、卷积长短期记忆网络(CNN-LSTM)与支持向量回归(SVR))生成基线预
准确预测光伏(PV)功率对于提升电网可靠性及优化可再生能源系统能量管理至关重要。研究人员提出一种基于优化集成回归框架以改善PV功率预测。采用三种机器学习模型(长短期记忆网络(LSTM)、卷积长短期记忆网络(CNN-LSTM)与支持向量回归(SVR))生成基线预测;利用粒子群优化(PSO)进行超参数调优以确保最优模型配置;进一步引入加权集成策略,对比简单投票与基于网格搜索的集成投票以精炼最终预测。实验结果表明,优化网格搜索集成模型取得最优预测精度,均方误差(MSE)为163.02 kW2,均方根误差(RMSE)为12.77 kW,归一化均方根误差(nRMSE)为1.55%,相对均方根误差(rRMSE)为6.31%,平均绝对误差(MAE)为5.26 kW,决定系数(R2)为0.9976。研究人员通过不同地区数据与变云量分析分别验证模型可扩展性与鲁棒性,结果均表现优越。上述发现凸显了超参数优化与集成加权在提升太阳能PV功率预测中的关键作用,为电网运营商与能源规划者改善含光伏电力系统决策提供了稳健框架。
研究背景方面,全球气候行动推动风电与光伏等可再生能源逐步替代煤电与燃油常规电源,PV功率受太阳辐照与温度等气象特征影响呈现高度波动,准确预测对缓解不确定性、保障电网可靠运行十分必要。现有统计法、物理法与单一机器学习法各有局限:统计与物理法难以兼顾非线性时序建模,单一深度学习对超参数敏感,单一浅层模型难以捕捉复杂时空依赖。为此,研究人员在《Energy and AI》发表该研究,旨在将启发式优化、异质模型集成与可解释人工智能(XAI)结合,在提升精度的同时提供预测透明度。
关键技术方法上,研究人员采用阿联酋等地区PV电站历史气象与功率序列构成样本队列,以PSO分别寻优LSTM、CNN-LSTM与SVR的超参数(神经元数、学习率、批大小、正则化参数等),再以简单投票与网格搜索加权投票两种集成方式融合三支模型输出,最后引入SHapley加性解释(SHAP)回溯特征贡献。
研究结果部分,引言指出RES渗透提升使PV预测成为系统规划核心,并综述统计、物理、混合与集成范式,明确本文贡献为PSO调优、异质深度学习与传统模型互补集成、动态加权投票及SHAP可解释四方面。系统建模中,2.1节给出PSO速度更新vit+1=w·vit+c1·rand()·(pbesti?xi)+c2·rand()·(gbest?xi)与位置更新xit+1=xit+vit+1公式,将粒子位置映射为超参数组合并以最小化MSE为适应度;2.2节论证LSTM负责长期依赖、CNN-LSTM借卷积提取时空特征增强短期响应、SVR提供抗噪泛化基线的互补选型逻辑,并分别列出三者门控方程与ε-带SVR原/对偶型。实验章节显示,PSO调优后单模型误差显著下降,网格搜索加权集成较简单投票与单模型进一步降低MSE至163.02 kW2、RMSE 12.77 kW、R2 0.9976;跨区域数据与变云情景测试证实框架具备扩展性与鲁棒性;SHAP分析识别出太阳辐照、温度与历史功率为主导特征,实现误差来源可视化。
讨论与结论翻译:研究人员得出结论,PSO超参数寻优可规避LSTM单元数不当引发的过/欠拟合,异质LSTM、CNN-LSTM与SVR通过网格搜索加权投票集成能兼顾长期趋势、短期波动与噪声稳健性,SHAP赋予模型预测级可解释性;该可解释优化投票集成框架在《Energy and AI》所报告结果中达到SOTA级精度,为电网运营商与能源规划者在含高比例PV系统中改进调度与决策提供了可迁移方法学。