利用可解释人工智能和集成学习技术推进太阳辐射预测

《Telematics and Informatics Reports》:Advancing solar radiation prediction with explainable AI and ensemble learning techniques

【字体: 大 中 小 】 时间:2026年02月11日 来源:Telematics and Informatics Reports 5.9

编辑推荐:

  可持续发展的核心是以清洁、可再生能源赋能未来世代。准确预测太阳辐射对于优化可再生能源效率至关重要,并且是实现可持续能源独立的关键组成部分。本研究通过采用机器学习(ML)、深度学习(DL)算法和可解释人工智能(XAI)方法,确保可解释性,从而对太阳辐射预测进行探

  
可持续发展的核心是以清洁、可再生能源赋能未来世代。准确预测太阳辐射对于优化可再生能源效率至关重要,并且是实现可持续能源独立的关键组成部分。本研究通过采用机器学习(ML)、深度学习(DL)算法和可解释人工智能(XAI)方法,确保可解释性,从而对太阳辐射预测进行探究。研究人员提出了一种名为SLRK(Stacking of Linear Regression, Random Forest, and K-nearest Neighbors)的集成ML模型。该模型在回归精度和性能指标方面优于所有对比的ML和DL算法,达到了R2得分为98%、均方误差(MSE)为0.0020、均方根误差(RMSE)为0.0475和平均绝对误差(MAE)为0.0201。其他ML模型的R2值在55%至97%之间,MSE值超过0.0043,RMSE值高于0.0481;DL模型的R2在91%至93%之间,MSE在0.0053至0.0070范围内,RMSE在0.0730至0.0837之间。t检验证实,大多数算法在预测太阳辐射方面具有统计学显著性。此外,研究人员使用了包括SHAP、LIME、Shapash和ELi5在内的XAI技术,以展示温度、湿度、一年中的第几天和一天中的时刻对太阳辐射预测的影响。这些可解释性结果增强了对模型预测的信任,并为实际应用(如优化太阳能电池板布局和能源电网优化)提供了实用见解。在改善模型对变化气候条件的鲁棒性以及增强跨不同地理区域的泛化能力方面仍存在关键挑战,这些构成了未来研究的重要方向。
**论文解读:基于可解释人工智能与集成学习的太阳辐射预测研究**

**研究背景、问题与研究动机**
可再生能源是实现可持续发展的核心,其中太阳能因其清洁性和广泛分布而备受关注。准确预测太阳辐射对于优化光伏系统效率、电网调度及能源规划至关重要。然而,现有预测模型面临两大挑战:一是预测精度与模型可解释性之间的权衡——传统机器学习模型(如随机森林、XGBoost)虽能捕捉非线性关系,但“黑箱”特性限制了实际部署中的信任度;二是单一模型在复杂气候条件下易出现过拟合或泛化能力不足。为此,研究人员提出了一种融合堆叠集成学习与可解释人工智能(XAI)的框架,旨在同时提升预测精度和透明度,为可再生能源管理提供可靠决策支持。本研究发表于《Telematics and Informatics Reports》。

**主要关键技术方法**
研究人员采用美国国家太阳辐射数据库(NSRDB)中孟加拉国Rangpur地区(纬度25.62,经度88.63)的五年气象数据,包含温度、露点、全球水平辐照度、气压、风向、风速、相对湿度等变量。核心方法包括:
1. **堆叠集成模型(SLRK)**:以线性回归(LR)、随机森林(RF)和K近邻(KNN)为基学习器,使用线性回归作为元学习器,通过加权组合提升预测鲁棒性。
2. **可解释性技术**:应用SHAP(基于Shapley值的全局解释)、LIME(局部可解释模型)、Shapash(基于SHAP的可视化库)和ELi5(模型权重解释器)来揭示特征贡献。
3. **对比模型**:包括传统ML(LR、RF、KNN、CatBoost、XGBoost)和DL(人工神经网络ANN、长短期记忆网络LSTM,分别采用SGD和Adam优化器)。
4. **性能评估与统计检验**:采用R2、MSE、RMSE、MAE,并利用Wilcoxon符号秩检验验证SLRK的显著性优势。

**研究结果**

**4.1 超参数调优**
使用GridSearchCV结合10折交叉验证确定各模型最优参数。例如,RF的树数为1200,KNN的邻居数为10,CatBoost学习率为0.03、深度为6,ANN和LSTM均为三层结构(64-32-1或50-1),训练100轮次,批大小为32。

**4.2 ML算法性能**
在80%训练-20%测试划分下,SLRK模型表现最优:R2=0.98,MSE=0.0020,RMSE=0.0475,MAE=0.0201。RF次之(R2=0.97),KNN为0.96,CatBoost和XGBoost均为0.94,LR最差(R2=0.55)。在70%-30%和50%-50%划分下,SLRK仍保持稳定领先,验证了其泛化能力。

**4.3 DL算法性能**
DL模型中,ANN-Adam表现最佳(R2=0.93,MSE=0.0053,RMSE=0.0730,MAE=0.0339),LSTM-Adam次之(R2=0.92),LSTM-SGD和ANN-SGD均为0.91。Adam优化器普遍优于SGD。

**4.4 统计显著性检验**
Wilcoxon符号秩检验表明,SLRK与所有基线模型(包括ML和DL)在MSE和MAE上的差异均显著(p<0.05)。t检验进一步显示,SLRK的t统计量为-32.26,p值远低于0.05(4.33×10-226),证明其性能提升具有高度统计学意义。

**4.5 模型可解释性**
- **全局可解释性**:Shapash和SHAP均显示“一天中的时刻(秒)”为最重要特征,其次为温度、相对湿度、一年中的第几天等。ELi5给出的权重中温度(0.4464)与时间(0.4441)几乎持平。排列重要性分析再次确认时间特征影响最大。
- **局部可解释性**:LIME分析两个样本:样本1预测辐射值低(2.05 W/m2),主要受一天中的时刻(-212.72)和一年中的第几天(-101.90)负向影响;样本500预测值高(597.18 W/m2),时间、露点和气压起正向作用。
- **特征贡献分析**:辐射值在中午达到峰值,随温度升高而增加,在湿度>80%时骤降,年中(夏季)辐射高于年初和年末,符合物理规律。

**4.6 讨论**
SLRK通过结合线性与非线性学习器,在降低方差的同时保留了对非线性模式的捕捉能力,优于单个模型和传统集成方法。DL模型虽精度高,但计算开销大,不适合实时场景。XAI结果与大气物理原理一致,增强了模型的可信度。通过不同数据划分、交叉验证和统计检验,证实了SLRK的鲁棒性。数据集仅来自单一地理区域,未来需评估跨气候区的泛化能力。

**结论与未来工作**
本研究系统探索了基于ML和DL的太阳辐射预测方法,重点提升了预测精度并解决了模型可解释性挑战。通过实验,集成方法(SLRK)取得了最佳R2值0.98,DL模型(ANN-Adam)达到0.93。XAI技术揭示了时间、温度、湿度等特征的关键影响,为可再生能源行业提供了可操作的见解。未来方向包括:开发混合AI架构(如CNN-LSTM)以捕捉时空依赖,应用联邦学习实现隐私保护下的分布式优化,以及通过迁移学习增强区域适应性。研究团队强调,AI驱动的预测模型需结合文化包容性和地区特异性,以促进全球可持续能源转型。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号