通过先进的混合深度学习模型提升倾斜太阳辐照度的预测能力，以优化太阳能系统

《Physics and Chemistry of the Earth, Parts A/B/C》：Enhancing Prediction of Inclined Solar Irradiance through an Advanced Hybrid Deep Learning Model for Solar Energy System Optimization

准确预测全球倾斜辐照度（GII）对优化太阳能系统至关重要，但现有模型难以捕捉复杂时空动态。本研究提出CNN-BiGRU混合深度学习框架，利用气象数据预测GII，并在澳大利亚北领地四个气候站点验证。结果显示R2达0.986-0.998，RMSE 23.5-66.5 W/m2，较传统模型提升35%-80%。该模型通过卷积层提取空间特征，双向门控循环单元捕捉时间依赖，为多气候区太阳能系统优化提供新方法。

　　

马赫尔·杰巴利（Maher Jebali）|纳杰姆·巴伊莱克（Nadjem Bailek）|希法·哈鲁奇（Hifa Harrouch）|比莱尔·泽鲁阿里（Bilel Zerouali）|哈南·格斯米（Hanen Guesmi）|阿尔班·库里奇（Alban Kuriqi）|拉巴布·特里基（Rabab Triki）|伊利亚斯·阿比迪（Ilyes Abidi）|塞尔索·奥古斯托·吉马良斯·桑托斯（Celso Augusto Guimar?es Santos）

海伊尔大学应用学院计算机科学系，邮政信箱2440，海伊尔市，100190，沙特阿拉伯

摘要

准确预测全球倾斜辐照度（GII）对于优化不同气候区域的太阳能系统至关重要。然而，现有的经验和机器学习模型往往无法捕捉到控制太阳辐射的复杂时空动态。本研究开发并评估了一个混合深度学习框架，该框架结合了卷积神经网络（CNN）和双向门控循环单元（BiGRU）网络，利用易于获取的气象数据来预测GII。该混合架构在代表热带、半干旱和干旱气候的四个北领地站点的数据集上进行了训练和验证。使用不同的性能指标来评估模型的性能，并将其结果与经典模型和现有文献进行比较。全球水平辐照度（GHI）被证明是主要的预测因子，而温度和湿度则具有次要的、依赖于气候的影响。所提出的CNN-BiGRU模型取得了出色的预测精度，R²值在0.986到0.998之间，RMSE范围为23.531到66.456 W/m²，比传统的CNN、GRU和BiLSTM模型高出41.61%，比经验模型高出35-80%。这些结果表明，将卷积层和双向时间层结合使用可以产生物理上一致且高度泛化的GII预测，为改进太阳能建模和支持全球向可再生能源系统的转型提供了坚实的基础。

引言

太阳辐射是自然和人类活动的基本驱动力，在气候调节、农业和能源生产中发挥着关键作用[1]、[2]。其重要性不仅体现在对天气的影响上，还在于它是使用可再生能源的关键[3]。太阳辐射是太阳能的驱动力，在全球大部分地区都是重要的资源，推动了向可持续能源解决方案的转变[4]。这种能源可以防止温室气体的排放，从而缓解气候变化，因为化石燃料对环境有有害影响[5]。在这方面，太阳能被证明是一种清洁且取之不尽的能源，能够增强能源安全并减少环境影响[6]。

澳大利亚的北领地一直在巩固其作为太阳能项目热点的地位[7]。事实上，由于该地区阳光充足，非常适合大规模的太阳能安装[8]。2024年最大的发展之一是SunCable项目，预计将产生17吉瓦到20吉瓦的太阳能容量[9]。这是一个雄心勃勃的项目，旨在将清洁能源从澳大利亚出口到新加坡，使澳大利亚成为全球可再生能源供应的超级大国[10]。此外，戈夫半岛上的太阳能农场协议标志着该地区在可再生能源投资方面的增长势头。

政府和私营部门的投资意味着北领地正迅速成为澳大利亚可再生能源未来的关键参与者[11]。此类区域活动得到了政府改革的支持，这些改革旨在促进可再生能源项目的发展，包括像CEFC这样的大型国际倡议[12]。这些共同努力有助于实现澳大利亚在2030年前达到50%可再生能源的目标，降低太阳能技术的成本，并在能源领域创造数千个新的就业机会[13]。

然而，测量太阳辐射的高昂设备成本是太阳能进一步普及的限制因素[14]。精确测量和评估太阳辐射对于优化使用太阳能的能源系统的效率以及将其整合到能源基础设施中非常重要[15]。由于大多数发展中国家的项目或小规模倡议无法负担先进测量设备的成本和复杂性，这本身成为进入该领域的障碍[16]。因此，增加对更便宜、更易获取且用户友好的测量技术的需求将有助于扩大太阳能解决方案的应用[17]。

近年来，由于太阳辐射在太阳能、建筑设计和农业中的广泛应用，对其在倾斜表面上的估计受到了越来越多的关注[18]。这种需求源于人们意识到，大多数太阳能系统（如光伏板和太阳能热收集器）通常都是倾斜安装的，以最大化能量捕获[19]。研究人员最初依赖于主要基于晴朗天空下水平辐射测量的实验模型[20]。这些早期模型在结果和准确性上无法达到广泛的范围，主要是因为它们忽略了真实的大气条件和太阳与倾斜表面之间的几何关系[21]。

随着对越来越精确的预测需求的增加，特别是在太阳能快速发展背景下，科学家和工程师开发了更复杂的模型[22]。这些较新的方法旨在将容易获得的水平辐射数据转换为几乎在任何天空条件下的倾斜表面的准确估计[23]，使用更为复杂的分析和数值方法[23]。这项研究发展出了更加复杂的方法，整合了复杂的大气数据和几何考虑因素[24]。

现代模型使用水平辐射测量值，并结合详细的算法来估计倾斜表面上的入射辐射[25]。高级模型考虑了太阳几何形状、大气散射和当地天气条件等因素，以产生更加准确的辐射估计[26]。天空地图、卫星数据和实时气象数据等创新进一步提高了这些模型的准确性。这一发展对于确保太阳能系统针对特定地点进行优化，基于每个地点的独特特性最大化能源生产和效率至关重要。

本文重点介绍了该领域的最新进展，并概述了预测倾斜表面太阳辐照度的方法。研究还通过一个案例研究，批判性地评估了先进的CNN-BiGRU混合模型在澳大利亚北领地预测全球倾斜太阳辐照度方面的性能。通过结合广泛的回顾和具体的案例研究，这项工作弥合了理论发展与实际应用之间的差距，有助于持续改进预测技术，这对于优化太阳能系统和促进可再生能源的整合至关重要。

参考文献综述

本文献综述旨在总结估算倾斜表面上太阳辐射的主要方法和途径，强调它们在各种地理和气候条件下的发展和应用。

CNN-BiGRU架构

CNN-BiGRU架构通常由几个卷积层和随后的BiGRU层组成。卷积层提取特征，而BiGRU层捕捉数据中的时间依赖性。所提出的CNN-BiGRU模型的整体结构如图3(b)所示

?

卷积层

输入数据$$通过多个卷积层进行处理。每个卷积层对输入数据应用一组滤波器，从而生成特征图。数学上，

结果讨论

首先，表6中的皮尔逊相关系数分析建立了气象变量与GII之间的基础关系。结果表明，GHI和GII之间存在强烈且一致的正相关关系，KTR时的相关系数为0.886，DRW时为0.994。这证实了GHI是倾斜辐照度的主要决定因素，符合预期。然而，KTR时稍弱的相关性表明其他局部因素偶尔可能会使两者脱钩。风

结论

本研究开发并评估了一个适用于不同气候区域的稳健混合深度学习框架，用于GII预测，提供了关于太阳辐照度行为的物理和数据驱动决定因素的见解。所提出的方法结合了卷积神经网络（CNN）和双向门控循环单元（BiGRU）网络，以利用空间特征提取和时间序列学习。该模型使用来自四个北领地的数据进行了训练和验证

CRediT作者贡献声明

马赫尔·杰巴利（Maher Jebali）：撰写——原始草稿，验证，方法论，正式分析，数据管理。希法·哈鲁奇（Hifa Harrouch）：撰写——原始草稿，验证，正式分析，数据管理。纳杰姆·巴伊莱克（Nadjem Bailek）：撰写——审阅与编辑，撰写——原始草稿，可视化，验证，软件，方法论。哈南·格斯米（Hanen Guesmi）：撰写——原始草稿，方法论，正式分析，数据管理。比莱尔·泽鲁阿里（Bilel Zerouali）：撰写——

数据和材料的可用性

本研究使用了来自澳大利亚沙漠知识中心（DKASC）档案的数据集。

伦理批准

不适用

利益冲突

作者声明与本研究无关的任何利益冲突。

竞争利益声明

? 作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本研究由沙特阿拉伯海伊尔大学的科学研究部资助，项目编号为RG-24 143