《Smart Cities》:Advanced Multivariate Deep Learning Methodology for Forecasting Wind Speed and Solar Irradiation
Md Shafiullah,
Abdul Rahman Katranji,
Mannan Hassan,
Md Mahfuzur Rahman and
Sk. A. Shezan
编辑推荐:
智慧城市的转型进程正在加速分布式风能与太阳能的部署。然而,这两种能源的间歇性给电网运行带来了严峻挑战,使得基于机器学习的风速与全球水平辐照度(Global Horizontal Irradiance, GHI)的准确预测变得至关重要。本研究提出了一种具有成本效
智慧城市的转型进程正在加速分布式风能与太阳能的部署。然而,这两种能源的间歇性给电网运行带来了严峻挑战,使得基于机器学习的风速与全球水平辐照度(Global Horizontal Irradiance, GHI)的准确预测变得至关重要。本研究提出了一种具有成本效益的方法,通过从时间戳记录中提取额外特征来增强用于预测GHI和风速的深度学习模型的预测精度。与传统方法需要现场气象测量不同,所提出的方法仅使用日期和时间信息作为多变量深度神经网络的输入,包括循环神经网络(Recurrent Neural Network, RNN)、门控循环单元(Gated Recurrent Unit, GRU)、长短期记忆网络(Long Short-Term Memory, LSTM)、双向LSTM(Bidirectional LSTM, BiLSTM)和卷积神经网络(Convolutional Neural Network, CNN)。对于风速预测,所提出的配置实现了高达0.9987的R2值,在3天超前预测中RMSE低至0.067 m/s,优于单变量基线模型并匹敌气象变量模型。对于GHI预测,基于时间的配置在12小时超前预测中实现了0.9994以上的R2值,RMSE降低至约4.47 W/m2,相比单变量模型有显著改善。所提出的框架在晴朗和阳光充足的条件下保持了强劲的性能。这些结果表明,经过工程化处理的时间戳特征可以提供与传统多变量气象模型相当的预测精度,同时显著降低基础设施需求,使该方法非常适用于可扩展的智慧城市能源管理。
**研究背景与问题提出**
随着全球城市化进程加速、气候约束趋紧以及电气化程度不断提升,城市对风能和太阳能的依赖日益加深。国际能源署估计,到2030年太阳能和风能将占可再生能源组合三分之二以上,以助力实现全球净零排放目标。然而,风能和太阳能固有的随机性和间歇性特征给智能城市能源系统带来了严峻挑战,特别是在微电网管理、实时电网运行以及分布式可再生能源集成等方面。现有电网系统难以在不进行昂贵改造的情况下接纳大规模的可变可再生能源并网,而电力供应商也因输出功率的不可预测性无法有效利用这些资源实现经济效益最大化。
准确的风速和GHI短期及小时内预测对于可靠且具有成本效益的城市能源管理至关重要。可再生能源预测可分为长期、日前、日内和小时内预测四类,分别服务于能源传输与管理的不同环节。尽管近年来深度学习与先进优化技术的结合显著提升了可再生能源预测精度,包括基于粒子群优化(Particle Swarm Optimization, PSO)的CNN-LSTM网络、基于Transformer的架构与注意力机制、多尺度分解技术与深度神经网络的融合,以及图学习算法和物理信息混合模型等,但大多数现有方法依赖于大量的密集气象、SCADA或外部传感数据,这在Instrumentation密集的智能城市环境中构成了可扩展性瓶颈。
更为关键的是,现有研究大多聚焦于增加模型复杂度或引入额外气象变量,而对输入特征表示本身的系统性评估关注不足。时间戳数据通常以原始形式使用或仅作为辅助输入,其结构化循环编码尚未在相同实验条件下与气象多变量配置进行严格基准对比。因此,本研究的核心问题在于:经过工程化处理的循环时间特征能否作为传感器依赖型多变量输入的可行且可扩展的替代方案?研究人员旨在通过控制实验条件,厘清性能提升究竟是源于架构复杂度还是源于改进的时间表示。
**关键技术方法**
研究人员采用源自Kaggle的公开数据集,该数据集涵盖土耳其伊兹密尔地区2017至2019年间以15分钟间隔采样的105,120条气象与太阳辐射记录。研究设计的核心技术方法包括:
第一,**循环时间特征工程**。为解决线性整数表示时间变量导致的人工不连续性(如23:00与00:00数值上相距甚远但实际相邻),研究人员应用基于正弦和余弦的循环编码方法,将小时、日等周期变量映射到单位圆上,使时间相邻点在特征空间中几何接近,从而捕捉日循环和年循环模式。
第二,**五种深度学习架构的对比评估**。包括RNN、GRU、LSTM、BiLSTM和CNN,所有模型采用一致的网格搜索优化超参数、均方误差(Mean Squared Error, MSE)损失函数、Adam优化器(学习率0.0001)、批量大小32、100个训练周期,确保公平比较。神经网络在Intel Core i7-10510U处理器、16GB RAM的硬件环境下实现。
第三,**三种输入配置的系统性比较**:(a)仅使用目标变量历史值的单变量模型;(b)引入关键气象变量(温度、相对湿度、太阳天顶角等)的多变量模型;(c)以工程化时间信号(day sin、day cos、year sin、year cos)作为内生输入的多变量模型。
第四,**多时间尺度与多天气条件评估**。预测视界覆盖12小时、1天和3天超前预测,均保持15分钟分辨率;同时依据晴空指数将天气分为多云、部分多云、晴朗和晴朗无云四类,检验模型在不同天气体制下的鲁棒性。
**研究结果**
**风速预测结果**:在3天超前预测中,加入时间信号的模型实现了高达0.9987的R
2值,RMSE低至0.067 m/s。在12小时和1天超前预测中,多变量时间信号模型与气象变量模型的R
2均超过0.94,显著优于单变量基线。研究发现,对于较长预测视界,时间信号相比气象输入能提供更大的性能增益;而在较短视界上,气象变量的MAPE略优。CNN在训练效率方面具有明确优势,LSTM则在误差指标上表现稍佳。季节性评估显示,时间信号增强的模型在全年12个代表性月份中均保持稳定较低的RMSE,且改善一致性优于气象输入。模型误差围绕零点对称分布,无系统性高估或低估。
**GHI预测结果**:时间信号多变量模型在12小时超前预测中R
2超过0.9994,RMSE接近4.47 W/m
2,明显优于单变量配置并与气象输入模型相当。模型有效捕捉了GHI的季节性包络和日循环特征,仅在辐照度快速变化时段出现微小偏差。多天气条件评估表明,模型在晴朗和晴朗无云条件下性能最佳,在多云和部分多云条件下因辐照度变异性增加而性能下降,但时间信号模型在各天气类别下均表现稳健。值得注意的是,加入气象变量在多云条件下更具优势,而时间信号在晴朗条件下增强效果更显著。
**研究讨论**
**方法学意义**:本研究的核心贡献在于证明了仅通过时间戳信息即可实现与气象传感密集方法相媲美的预测精度。这一发现对智能城市能源管理具有深远意义——它大幅降低了对密集气象传感器网络的需求,为传感基础设施有限或成本敏感的城市环境提供了可扩展的预测解决方案。准确的基于时间的预测支持分布式可再生能源集成、数据驱动的城市能源规划、弹性电网实施以及可持续低碳城市系统的战略发展。
**架构性能比较**:五种深度学习架构在预测精度上表现相近,表明在成熟的时间特征工程基础上,模型架构的选择并非性能瓶颈。CNN展现了更快的收敛速度和更低的计算开销(约2-3秒/epoch),而循环类模型(特别是BiLSTM)训练时间稍长(约4-6秒/epoch)。这一发现有助于在实际部署中根据计算资源约束进行模型选择。
**天气条件敏感性**:GHI预测对天气条件高度敏感是预期之内的,因为云量变化引入了不可预测的衰减效应。研究框架在晴空条件下的卓越表现为屋顶光伏等应用提供了可靠的基础。对于多云条件的性能限制,研究人员坦承可能需要重新审视算法和训练数据策略。
**技术贡献总结**:研究引入了结构化的时间戳特征工程方法,将原始日期时间信息转化为表示日循环和年循环的正弦余弦信号;证明了时间特征单独使用可达到与气象变量相当的预测精度;开发并评估了五种保持一致训练规程的深度学习架构;系统比较了三种输入配置;在多预测视界下验证了性能;并在不同天气类别中评估了鲁棒性。
**研究结论**
本研究展示了一种基于时间戳驱动的多变量深度学习框架,用于多视界的风速和GHI预测。与传统方法依赖大量气象测量不同,所提方法将原始时间戳转换为循环时间特征,并在五种深度学习架构中系统评估了其预测能力。实验结果证实,加入工程化时间信号相比单变量模型一致性地提升了预测精度。对于风速预测,所提配置实现了高达0.9987的R
2值,在3天超前预测中将RMSE降低至0.067 m/s。在12小时超前预测中,气象和时间多变量模型均显著优于基线,R
2值超过0.94。对于GHI预测,时间信号多变量模型在短视界预测中实现了0.9994以上的R
2值,RMSE接近4.5 W/m
2,明显优于单变量配置并与气象输入模型相当。多云、部分多云、晴朗和晴朗无云条件下的鲁棒性分析进一步展示了稳定的模型行为,其中晴空条件下性能最佳。重要的是,所提出的基于时间戳的框架无需额外传感基础设施即可实现高预测精度,为智慧城市和分布式可再生能源系统提供了具有成本效益且可扩展的解决方案。
尽管所提框架实现了较强的预测精度,但其验证仅限于单一数据集,在高度可变的多云条件下可能表现下降。研究集中于使用传统架构的确定性预测。未来研究将探究跨区域验证、混合时间与气象特征融合、基于注意力的架构以及概率预测方法,以增强鲁棒性并支持实际部署。