沙特阿拉伯全球水平辐照度预测的智能方法:将深度学习与RMSprop优化相结合,用于太阳能发电系统
《Results in Engineering》:Intelligent Approaches for Global Horizontal Irradiance Forecasting in Saudi Arabia: Benchmarking Deep Learning Coupled with RMSprop Optimization for Solar Power Systems
【字体:
大
中
小
】
时间:2026年05月06日
来源:Results in Engineering 7.9
编辑推荐:
哈桑·Z·阿尔·加尔尼 | 阿鲁纳查拉姆·桑达拉姆 | 穆罕默德·E·扎耶德 | 阿卜杜拉希·阿布巴卡尔·马斯苏德 | 萨菲库尔·雷曼 | 穆罕默德·阿卜杜勒·巴希尔 | 穆巴拉克·A·阿尔-阿纳齐 | 萨乌德·J·阿尔-沙马里
沙特阿拉伯朱拜勒工业学院电气工程系
摘要
哈桑·Z·阿尔·加尔尼 | 阿鲁纳查拉姆·桑达拉姆 | 穆罕默德·E·扎耶德 | 阿卜杜拉希·阿布巴卡尔·马斯苏德 | 萨菲库尔·雷曼 | 穆罕默德·阿卜杜勒·巴希尔 | 穆巴拉克·A·阿尔-阿纳齐 | 萨乌德·J·阿尔-沙马里
沙特阿拉伯朱拜勒工业学院电气工程系
摘要
沙特阿拉伯王国(KSA)由于其丰富的太阳能资源,在太阳能发电方面具有巨大潜力。这种太阳能潜力可以减少对石油的依赖,提供可靠的电力供应,创造新的就业机会,并有助于改善环境。因此,为了合理利用和部署太阳能应用,从时间和空间两个维度长期统计分析阳光强度的可用性至关重要。准确预测太阳能资源对于将光伏技术有效整合到国家电网中是必不可少的。本研究提出了一个混合框架,结合了多层感知器人工神经网络(MPANN)和RMSprop优化(RMSO)算法,用于估算沙特阿拉伯六个地区的小时前全球水平辐照度(GHI):朱拜勒、阿尔·朱夫、哈格尔、利雅得、吉达和纳杰兰。RMSO用于确定MPANN的超参数以最大化预测精度。这些模型分析了输入参数逐步减少对GHI预测性能的影响,以评估在不同输入特征集下的表现。WindGHI-4模型包含四个输入参数:风速、气温、一天中的时间以及前一小时的GHI;TempGHI-3模型去除风速,仅使用三个输入参数;而LiteGHI-2模型进一步简化为仅使用气温和一天中的时间。研究结果表明,基于MPANN-RMSO框架的WindGHI-4模型在GHI预测方面优于TempGHI-3和LiteGHI-2模型。模拟结果显示,在沙特阿拉伯六个不同地区,WindGHI-4的确定性系数分别为0.993-0.983,TempGHI-3为0.990-0.980,LiteGHI-2为0.972和0.905。这些发现使得在多种气候条件下实现高精度的小时前GHI预测成为可能,为太阳能集成提供了有力的决策支持,增强了电网稳定性,并提高了运营规划的可靠性。
1. 引言
1.1 研究背景与动机
现代社会极度依赖能源来满足不断增长的需求,因为能源几乎支撑着工业生产、交通、通信、医疗保健和家庭舒适度等各个方面。鉴于化石燃料的有限可用性以及传统燃料产生的温室气体排放,可再生能源成为发电的可行解决方案。太阳能作为可再生能源之一,正在成为重要的电力来源。太阳能产业已经达到了技术成熟度和商业认可度,其全球装机容量在2024年已达到约1865吉瓦[1]。沙特阿拉伯计划建立多个太阳能光伏电站,以增加可再生能源在其能源结构中的比例。国家可再生能源计划计划将可再生能源在总能源中的占比提高到大约50%(60吉瓦)[2]。为此,已经建立了许多并网光伏电站,并正处于不同开发阶段[2]。最近在Al-Aflaj的Layla地区投入使用了13.65兆瓦的并网光伏电站,同时还在麦加地区提议建设2.6吉瓦的光伏设施[2]。因此,开发能够可靠预测短期和长期太阳辐射强度的先进模型对于有效管理电网至关重要。本研究提出使用先进的混合机器学习技术,利用来自沙特阿拉伯六个地点(朱拜勒、阿尔·朱夫、吉达、哈格尔、利雅得和纳杰兰)的地面测量全球水平辐照度(GHI)数据来预测太阳辐射强度。
1.2 文献综述
太阳能是一种清洁、分布广泛的能源,几乎不需要人工干预且维护成本很低。然而,由于昼夜循环、云层出现和降水的影响,全球太阳辐射具有间歇性[3,4]。这种特性使得太阳能发电在维持连续高质量电力方面颇具挑战性,并对电网稳定性构成威胁[5]。因此,提前准确预测太阳辐射强度对于保证电网稳定性和优质电力供应至关重要[6]。GHI数据通常根据所需的太阳能应用场景进行不同时间范围的预测[7]。短期预测用于实时能源流量监测,而长期预测则用于选址和光伏电站建设[8]。科学界采用多种方法进行GHI预测,包括物理方法、统计方法、数值方法以及最近的机器学习和混合优化技术[9]。物理方法需要解决复杂的方程并依赖高端计算能力,而统计方法依赖于时间序列数据的长度和准确性[10]。机器学习(ML)方法依赖于时间序列数据的准确性和长度,但计算资源需求较低[11]。混合技术通常能提供更好的预测结果[11]。不同的机器学习方法被用于太阳辐射预测,例如反向传播神经网络[12]、前馈神经网络[13]、弹性传播[15]和卷积神经网络[16]。Boubaker等人[17]应用深度ANN算法对沙特阿拉伯Hail地区的太阳辐射进行了预测,使用了20年的月平均值数据开发不同网络并评估了它们的性能。数据被分为训练集、验证集和测试集。对于每日GHI预测,ANN模型表现出色,最高R2值为96%。Benghanem和Mellit[18]使用径向基函数(RBF)模型和气象数据(相对湿度、日照时长和气温)对麦地那地区的GHI进行了预测,使用了NASA的14年数据,R2值为98.8%。该研究的局限性在于数据基于卫星观测,且使用的是日数据而非小时数据[18]。Gupta等人[19]展示了Facebook Prophet(FBP)、季节性自回归积分移动网络(SARIMA)和神经预测网络(NPN)在多个印度地区的GHI预测潜力,结果显示SARIMA模型的表现优于其他两种模型,显著降低了RMSE和MAE。在另一项研究中,Gupta等人[20]使用增强型堆叠集成模型进行GHI预测,将其与决策树、随机森林、CatBoost和XGBoost进行了比较,SE-ET方法在MAE上减少了16-60%,RMSE减少了7-64%,MAPE减少了20-75%。随后,他们应用了18种机器学习回归模型和十种特征选择方法进行GHI预测[21],通过包装器、过滤器和嵌入式方法确定了最有效的输入变量,发现特征选择提高了预测性能,其中互信息方法分别减少了13.15%的MAE和5.24%的RMSE。一些研究利用深度学习技术研究了云层对GHI的影响,揭示了云层与辐射之间的相互作用及短期太阳辐射的精确预测[35]。Zou等人[35]提出了一种基于亮度的新指数,用于表示云场的三维特性,并检验了这种云信息与不同云类型下的辐射效应之间的关系。研究发现,在阳光被遮挡的情况下,特别是对于高积云,所提出的云信息与DNI CRE的负相关性更强。在另一项研究中,Zuo等人[36]提出了一个CNN-LSTM模型,利用全天空图像和历史GHI数据进行10分钟前的GHI预测,CNN提取天空特征,全连接层编码过去的GHI,将GHI信息加入模型后提高了约18%的预测精度[36]。表1总结了近年来使用机器学习方法预测全球水平辐照度(GHI)的相关文献。
表1. 用于GHI预测的机器学习模型的相关文献总结
| ML方法 | 使用的输入参数 | 训练输入 | 测试输入 | 站点数量 | 输出类型 | 报告的预测统计误差 | 地点 |
|---------|-----------|-------------|------------|---------|-------------------|---------|
| Radial Basis Function network | MT, SD, RH, DN | 4年 | 1年 | 日全球太阳辐射 | --- | 0.9880 | 沙特阿拉伯[18] |
| Back Propagation Network | T, P, WS, RH, H | 3年 | 1年 | 全球太阳辐射 | 3.116 | 80.01 | 162-0.76 | 70.99 | 印度[22] |
| Feed Forward ANN | 天气参数 | 5年 | 1年 | 日平均值太阳辐射 | --- | 0.9475 | 科威特[23] |
| Nonlinear Autoregressive Recurrent NN | MT, RH, WS | 9个月 | 55天 | 小时太阳辐射 | 0.346 | 6% | -- | 0.976 | 约旦[24] |
| Generalized Regression Neural Network | MT, RH, WS, MSD, SR | 6个月 | 30个数据点 | GHI | 2.78% | 1.43% | - | 阿联酋[25] |
| CNN and LSTM network algorithms | 前置太阳辐射 | 12年 | 1天至8个月 | 半小时全球太阳辐射 | 1.51 | 5% | 4.6-7.3% | -- | 澳大利亚[27] |
| ANN and random forest | 天气参数 | --- | 波束、散射和全球辐射 | 19.65% | 13.62% | -- | 法国[28] |
| LSTM | RH, 露点, MT, WS, WD | 5年 | 4小时前全球太阳辐射 | 0.099 | -0.18 | 1% | 6.7-10.4% | - | 印度[30] |
| Multi-reservoir echo state network | 天气参数 | 1年 | 6小时 | 小时太阳辐射 | 110.9 W/m2 | -82.06 W/m2 | 美国[32] |
| LSTM–Recurrent network (LSTM–RNN) | RH, MT, P, GHI, WS, CC | 4年 | 1年 | 2小时太阳辐射 | 12.66 | 6 W/m2 | 19.18 | 43% | 4.49 | 6 W/m2 | 印度[33] |
1.3 贡献与目标
现有研究指出了基于机器学习的太阳辐射预测中的几个持续挑战。太阳能资源本质上是不稳定的和随机的,气象变量与太阳辐射强度之间的关系复杂且高度非线性,这使得准确的时间序列建模变得困难。尽管深度学习模型原则上可以学习这些模式,但它们的性能往往对超参数选择和随机初始化非常敏感,导致实际应用中的行为不稳定和结果不佳。此外,针对特定地点定制模型通常需要大量手动调整,形成了效率低下的“一次性”优化工作流程,限制了模型在多个地点的扩展。随着深度学习在时间序列GHI预测中的应用日益广泛,仍有空间将混合AI-优化框架作为传统数值或AI方法的替代方案。在这些模型中,一种或两种人工智能技术与优化算法相结合,开发出精细调整的预测模型。优化的AI技术可以为复杂的可持续问题(尤其是能源工程问题)提供多变量处理方法。本文通过根据最近梯度大小调整每个参数的学习率,解决了标准梯度下降法的局限性,从而提高了稳定性和收敛性。这使得该方法特别适用于非平稳目标、噪声数据以及参数更新稀疏或多样的模型。此外,这种组合使算法能够在增强局部收敛的同时保持有效的全局搜索,从而在处理输入特征时提高稳定性和性能。此外,有研究报告指出,提取时间和空间特征的顺序对预测模型的准确性有显著影响。先前的研究还表明,时间特征提取的顺序会显著影响预测准确性,但在太阳辐照度预测方面,这一方面很少被系统地研究过。鉴于时间测量数据的日益丰富,也需要能够明确考虑多个预测因子之间时间相关性的方法。鉴于这些不足,本研究探讨了混合AI-优化技术在超长期太阳辐照度预测中的有效性。在本文中,开发了一个基于混合AI-优化的框架,整合了多层感知器人工神经网络(MPANN)和RMSprop优化(RMSO),用于估算沙特阿拉伯六个地点的小时前全球水平辐照度(GHI):朱拜勒、阿尔朱夫、哈格尔、纳杰兰以及利雅得的国王沙特大学(KSU)和贾达的国王阿卜杜勒-阿齐兹大学(KAU)。RMSO用于确定最佳的人工神经网络超参数选择,以最大化预测准确性。为了确保数据集的准确性,使用基于地面的每小时测量GHI数据集来训练MPANN模型。使用了六年的数据(2013-2019年)来训练和测试混合ANN,以进行准确的GHI预测。本研究的主要目标和贡献如下:
- 开发了一个结合多层感知器人工神经网络(MPANN)和RMSprop优化(RMSO)的混合预测框架。
- 使用RMSO来确定MPANN超参数的最佳选择,以最大化预测准确性。
- 估算沙特阿拉伯六个不同地点的小时前全球水平辐照度(GHI)。
- 通过逐步减少输入参数来评估不同特征集下的模型性能。
所开发的MLANN-RMSO建模可以被视为一种优化工具,用于校正长期时间序列的小时前全球太阳辐射数据,以便对太阳能管理系统进行精确的太阳能资源评估。
2. 研究方法
2.1. 监测站和太阳测量
负责所有可再生能源项目的沙特政府机构创建了可再生资源监测和映射(RRMM)太阳测量网络,该网络在沙特阿拉伯拥有32个气象站[[37], [38], [39]]。RRMM是该地区最全面和深入的基于地面的太阳网络。这些站点配备了多种传感器,可以收集关于太阳辐射、天气模式、灰尘、湿度和风速的信息。每个站点都精心设置在屋顶或地面上特定的高度,以实现最佳的太阳数据收集。站点配备的设备/传感器包括旋转阴影带辐射计(RSR),用于测量关键太阳参数,如DHI、DNI和GHI。RSR的维护和清洁计划每周进行两次,每次清洁之间有两三天的休息时间。为了使沙特阿拉伯的可再生太阳能技术成功发展,准确理解这些太阳数据是必不可少的。此外,气温和风速也会显著影响太阳读数;因此,每个站点都配备了气温探测器、湿度探测器、风速计和风速风标来分别记录这些变量。本研究建议使用经过RMSprop算法(RMSO)优化的多层感知器神经网络(MPANN),利用来自沙特阿拉伯六个地点的基于地面的测量太阳辐射数据来预测太阳辐射强度,从而预测电力,如图1所示,即朱拜勒、阿尔朱夫、哈格尔、纳杰兰、贾达的国王阿卜杜勒-阿齐兹大学(KAU)和利雅得的国王沙特大学(KSU)。
2.2. 综合机器学习模型
2.2.1. 探索性数据分析和输入特征选择
本研究利用了从KACARE获得的沙特阿拉伯六个地点的数据集;朱拜勒、阿尔朱夫、哈格尔、纳杰兰以及利雅得的国王沙特大学(KSU)和贾达的国王阿卜杜勒-阿齐兹大学(KAU)[[37], [38], [39]]。平均而言,每个地点的数据占用了8 MB的内存空间,涵盖了2013年9月到2020年12月的七年多时间,以每小时间隔记录,每个输入和目标输出产生了60,000个数据点。时间、相对湿度、气温和风速被选为水平太阳辐照度预测的输入参数。在探索性数据分析(EDA)过程中,排除了某些时间段内的缺失记录。EDA和特征选择之后,准备并展示了每个城市的训练和测试数据集的摘要,见表2。它总结了研究中使用的六个沙特地点,并提供了每个地点的地理坐标(纬度/经度)以及训练/测试时间窗口和记录数量,确保了空间和时间上的透明覆盖。表3详细说明了用于GHI小时级建模的输入特征:一天中的时间、气温、风速、相对湿度和前一小时的GHI。坐标还包含了每个地点的空间特征(例如,纬度依赖的太阳几何形状和区域气候梯度),这有助于更好的跨地点学习、改进的泛化能力以及在多样化气候区域中的一致性能。表4还强调了用于小时前GHI预测的输入特征及其物理含义。数据集的输入特征的箱形图也显示在图2中,表明特征之间存在较大差异,并且有一些异常值。在模拟过程中,通过统计插补(例如插值或均值/中值替换)或基于MPANN的插补来处理缺失值,根据数据缺口的程度和模式,以保持连续性并最小化信息损失。潜在的异常值通过z分数筛选识别,然后进行相应的处理(例如,上限调整、修正或排除),以限制其对梯度更新的不当影响,并减少MPANN训练期间的偏差。此外,在模型训练之前(或期间)加入了基于小波的去噪步骤,以减弱沙漠太阳辐射记录中常见的高频测量噪声和瞬态干扰(例如,传感器噪声、灰尘事件),从而提高信噪比并增强MPANN预测的鲁棒性和泛化能力。
表2. 沙特阿拉伯不同区域数据集的探索性数据分析摘要
| 地点 | 培训数据集 | 测试数据集 |
|-------------|----------|-----------|
| 朱拜勒 | 26.95° N, 49.56° E | 2/9/2013 | 31/12/2020 |
| | | 567 | |
| | 1/1/2021 | 30/4/2021 | 285 |
| | | | |
| 纳杰兰 | 17.56° N, 44.23° E | 13/12/2013 | 31/12/2020 |
| | | 557 | |
| | 1/1/2021 | 30/4/2021 | 288 |
| | | | |
| 利雅得KSU | 24.72° N, 46.63° E | 1/11/2014 | 31/12/2020 |
| | | 481 | |
| | 1/1/2021 | 30/4/2021 | 288 |
| 贾达KSU | 21.49° N, 39.24° E | 29/5/2013 | 31/12/2020 |
| | | 604 | |
| | 1/1/2021 | 16/3/2021 | 177 |
| | | | |
| 哈格尔 | 29.17° N, 34.56° E | 26/7/2013 | 31/12/2020 |
| | | 592 | |
| | 1/1/2021 | 30/4/2021 | 288 |
| 阿尔朱夫 | 29.88° N, 39.32° E | 1/12/2014 | 31/12/2020 |
| | | 442 | |
| | 1/1/2021 | 30/4/2021 | 247 |
表3. 沙特阿拉伯朱拜勒城市训练数据集的描述
| 日期和时间 | | |
|-------------------|---------------|
| 气温(℃) | 30.18 |
| | |
| 风速(m/s) | 3.30 |
| | |
| 相对湿度(%) | 2.98 |
| | |
| 前一小时的GHI(W/m2) | 2.88 |
| | |
| 当前小时的GHI(W/m2) | 2.68 |
| | |
| 2/9/2013 1:00 | |
| | |
| 2/9/2013 2:00 | |
| | |
| 2/9/2013 3:00 | |
| | |
| 2/9/2013 4:00 | |
| | |
| 2/9/2013 5:00 | |
| | |
| 2/9/2013 6:00 | |
| | |
| 2/9/2013 7:00 | |
| | |
| 2/9/2013 8:00 | |
| | |
| 31/12/2020 17:00 | |
| | |
| | |
| 31/12/2020 18:00 | |
| | |
| | |
| 31/12/2020 19:00 | |
| | |
| | |
| 31/12/2020 20:00 | |
| | |
| 31/12/2020 21:00 | |
| | |
| 31/12/2020 22:00 | |
| | |
| 31/12/2020 23:00 | |
表4. 小时前GHI预测的主要输入特征及其物理含义
| 输入特征 | 单位 | 物理含义 | 与小时前GHI的相关性 |
|-------------------|-----------------|-----------------|------------------------|
| 环境温度(℃) | Ta | 表示近地表的热力学条件,随太阳加热、大气稳定性和湿度变化而变化,从而间接影响辐照度水平 |
| 风速(m/s) | V | 表示近地表的热力学条件,随太阳加热、大气稳定性和湿度变化而变化,从而间接影响GHI水平 |
| 一天中的时间(h) | H | 表示日太阳几何周期,即太阳高度和日照时间,从而捕捉潜在GHI的日变化 |
| 前一小时的GHI(W/m2) | GIt-1 | 持久性项,捕捉短期时间依赖性,反映近期大气条件,提高小时前连续性和斜率表示 |
图2. GHI数据集输入特征的箱形图
2.2.2. MPANN模型架构
本研究提出了一个混合框架,结合了多层感知器人工神经网络(MPANN)和RMSprop优化(RMSO),用于估算沙特阿拉伯六个气候恶劣地区的小时前GHI:朱拜勒、阿尔朱夫、哈格尔、利雅得、贾达和纳杰兰。RMSO用于确定MPANN超参数的最佳选择,以最大化预测准确性。MPANN和RMSO模型与传统的人工神经网络(ANN)和基于深度学习(DL)的GHI预测模型不同,因为它将轻量级网络架构与自适应梯度优化器明确结合在一起。传统的ANN模型通常依赖于固定或手动调整的学习率,而DL模型强调更深层次和更复杂的架构,计算成本更高。MPANN-RMSO框架通过RMSprop的自适应学习机制增强了收敛稳定性和训练效率。这导致更快的收敛速度、对噪声梯度的敏感度降低以及改进的泛化性能,在模型复杂性和计算开销较低的情况下实现了具有竞争力或更优的预测准确性。对于每个城市,开发了三个MPANN模型来预测特定城镇的每小时GHI水平。第一个模型WindGHI-4使用风速(3.0 m/s)、气温(℃)、一天中的时间以及前一小时的GHI作为MPANN的四个输入,如图4所示。MPANN的输出层预测当前小时的GHI。WindGHI-4的架构包括四个输入神经元,后面跟着七个隐藏层,每个隐藏层分别包含512、256、128、64、32和8个神经元。每个隐藏层中的神经元都使用ReLU激活函数(修正线性单元)。第二个模型TempGHI-3类似于WindGHI-4,但仅使用三个输入神经元,不包括风速。每个隐藏层和输出层的神经元数量与WindGHI-4相同。第三个模型LiteGHI-2进一步简化了输入配置,仅使用两个输入神经元,即气温(℃)和一天中的时间。除此之外,LiteGHI-2的架构与TempGHI-3和WindGHI-4相同。通常,MPANN模型中的一个人工神经元包含多个加权输入连接(突触),每个突触都分配了一个权重wkj(见图3)。每个输入xj与其对应的权重相乘,然后将结果与偏置项bk相加,产生净输入。然后应用激活函数φ·来产生神经元的输出yk,将其缩放到一个有限的范围内。这个过程可以用数学公式表示如下[40]:
(1)yk=φ[∑j=1m(ωjk)+bk]
图3. MPANN模型的架构
在这里,j和k分别表示突触和神经元编号。所提出的MPANN模型使用RMSprop优化器来优化和微调多层MPANN模型的参数,如参考文献[26,29]中详细所述。这种自适应学习算法在训练过程中修改参数,使用平均绝对误差。MPANN训练了100个周期,批次大小为32。图4展示了所提出的MPANN模型的架构。
2.2.3. RMSprop优化器
RMSprop(均方根传播)是一种常用的自适应梯度下降优化器,用于训练神经网络。它通过根据最近梯度大小调整每个参数的学习率,解决了标准梯度下降法的局限性,从而提高了稳定性和收敛性[41]。这使得该方法特别适用于非平稳目标、噪声数据以及参数更新稀疏或多样的模型。此外,这种组合使算法能够在增强局部收敛的同时保持有效的全局搜索,从而在处理输入特征时提高稳定性和性能。例如,与贝叶斯和Adam优化算法相比,RMSprop更简单,有时也更稳健(它省略了动量偏差校正/额外矩),并且在某些设置中可以更好地泛化,同时在计算上更轻量级,并能够高效地扩展到高维神经网络训练,无需昂贵的替代模型搜索即可在线更新权重。RMSprop优化器的数学公式如下:在每次迭代中,它维护一个指数衰减的梯度平均值。设gt表示时间步t的梯度,γ表示衰减率(通常设置为0.90左右),?是一个小常数,用于防止除以零。平方梯度的移动平均值使用方程[42](2)更新:E[g2]t=γE[g2]t?1+(1?γ)gt2,参数更新规则由方程[40]给出:(3)θt+1=θt?ηE[g2]t+ε*gt。其中,η是学习率,θ代表模型参数。这种更新机制利用最近的历史数据来规范化梯度,有助于避免过大的更新,促进更稳定和高效的训练。
2.2.4. MPANN-RMSO建模的解决方法
该数据集被分为两部分:一部分用于训练MPANN-RMSO模型,另一部分用于测试训练好的模型。训练数据集包含了2013年9月至2020年12月期间每小时的平均气象数据,共57,144个数据点。测试数据集包含了2021年1月至3月期间的2,880个数据点。在进行了探索性数据分析并考虑了非空值数据后,训练数据集剩余56,796个数据点,测试数据集剩余2,855个数据点。在训练过程中,数据集按照75:25的比例分为训练集和验证集。在56,796行数据中,有42,597行用于训练,其余用于验证。图4展示了所提出的MPANN-RMSO模型的工作流程和统计特性。例如,图5(a)和(b)展示了朱拜勒市温度和GHI的图表。
下载:高分辨率图像(2MB)
下载:全尺寸图像
图5. (a) 用于训练MPANN-RMSO模型的环境温度变化;(b) 用于训练MPANN-RMSO模型的GHI图表。
3. 结果与讨论
使用多种统计指标来评估所应用的机器学习模型在沙特阿拉伯不同气候区域进行超长期全球水平辐照度预测的准确性。平均绝对误差(MAE)用于计算实际数据与预测数据的差异程度。均方根误差(RMSE)是一种统计度量,表示预测误差的标准差。RMSE较低的AI模型具有更好的预测准确性。决定系数(R2)衡量统计模型预测结果的能力。如果R2=1,则测量值和预测值之间存在精确的线性关系。MAE的百分比等价物是平均百分比误差(MAPE)。MAPE衡量模型产生的平均错误数量,或者预测值平均偏离的程度。然而,最佳的预测模型是那些具有较低MAPE、MAE、RMSE和较高R2值的模型。这些指标的数学表示如下[43]:
(4) RMSE=1/N∑i=1N(Xi?Yi)2
(5) R2=(1?∑i=1N(Xi?Yi)2)/∑i=1N(Xi?Yi)2)×100%
就MAPE、RMSE和R2而言,表5显示了三种模型WindGHI-4、TempGHI-3和LiteGHI-2在测量目标值与预测MPANN输出之间的性能。观察结果显示,WindGHI-4和TempGHI-3在所有城市的R2值上都表现良好,接近99%,而LiteGHI-2在所有城市的R2值相对较低。然而,在所有考虑的城市中,MAE和RMSE的值变化较大。对于WindGHI-4,朱拜勒记录了最低的MAE和RMSE值(分别为13.08和36.6 W/m2),而KAU记录了最高值(分别为42.75和74.82 W/m2)。对于TempGHI-3,Hagl显示了最低的MAE和RMSE值(分别为13.21和31.61 W/m2),而KAU记录了最高的MAE(48.90 W/m2)。有趣的是,Najran显示出相对较高的RMSE值(37.63 W/m2)。正如预期的那样,LiteGHI-2在所有城市中显示出最高的RMSE和MAE值。Najran的MAE和RMSE值最低(分别为34.16和64.53),而KAU的值最高(分别为65.78和114.9 W/m2)。此外,WindGHI-4和TempGHI-3模型在预测研究地点的每小时GHI方面表现出很高的能力,这一点通过使用相应输入参数进行训练和测试时的性能指标得到了验证。这表明,输入参数的数量对于为每个城市创建最优预测模型至关重要。这也揭示了由于LiteGHI-2的输入参数较少,其性能不如WindGHI-4和TempGHI-3。值得注意的是,在WindGHI-4和TempGHI-3中,包括了过去的每小时GHI值作为输入,而LiteGHI-2仅依赖于空气温度和一天中的小时。这表明,仅凭空气温度无法可靠地预测下一小时的GHI值。最后,为了确定每个城市最稳健的模型,必须考虑额外的标准,这将在下一节中讨论。
表5. 沙特阿拉伯全球水平辐照度预测中提出的MPANN-RMSO模型的统计性能。
空单元
R2 MAE (W/m2) RMSE (W/m2)
城市 M-1 M-2 M-3 M-1 M-2 M-3 M-1 M-2 M-3
朱拜勒 0.988 0.987 0.905 13.08 13.975 2.51 36.60 36.65 99.38
阿尔尤夫 0.987 0.987 0.907 13.41 14.73 55.33 36.53 36.87 103.8
哈格勒 0.991 0.991 0.911 18.18 13.21 54.49 36.90 31.61 98.03
KAU 0.983 0.980 0.919 42.75 48.90 65.78 36.06 74.82 114.9
KSU 0.988 0.987 0.941 16.93 24.38 36.70 38.50 36.19 77.79
纳杰兰 0.993 0.990 0.972 19.31 25.33 34.16 35.64 37.63 64.53
* WindGHI-4(M-1),TempGHI-3(M-2)和LiteGHI-2(M-3)。
在本节中,引入了特定标准来确定每个城市最佳混合MPANN模型。根据预定义的指标,根据GHI预测性能对城市进行排名。计算三种指标(R2、MAE和RMSE)的平均排名,以确定每个城市的总体排名。表6展示了基于MPANN模型预测结果的城市排名。WindGHI-4被确定为朱拜勒和阿尔尤夫预测GHI的最佳模型,而TempGHI-3和LiteGHI-2分别更适合预测哈格勒和纳杰兰的GHI。总体而言,WindGHI-4和TempGHI-3在所有考虑的城市中都表现出优于LiteGHI-2的性能。
表6. 根据MPANN模型预测结果对城市进行排名。
图6、图7和图8展示了考虑三种模型时,每个城市的测量值和预测值的回归图。如果线性相关系数R2=1,则表示测量值和预测值之间存在完美的线性关系。然而,R2值大于0.90表示测量值和预测值之间有很好的一致性。统计误差分析表明,三种MPANN模型预测的GHI值与测量值之间的差异在90-99%之间。本研究中最优秀的MPANN模型在纳杰兰市的R2值为99%(WindGHI-4),而朱拜勒市的最低为90.5%(LiteGHI-2)。这表明所有三种模型在预测沙特阿拉伯城市的下一小时GHI方面表现都相当好。
图9展示了泰勒图,清楚地展示了MPANN-RMSO模型的出色预测能力,通过评估不同气候区域GHI预测的均方根偏差、相关系数和标准偏差来证明。特别是在纳杰兰和哈格勒城市,预测值与测量值之间的强烈一致性证实了模型的高预测准确性。然而,在沙特阿拉伯西北部的阿尔尤夫和KAU观察到轻微的偏差,表明模型可以在这些地区进一步优化,可能是因为与高波动和天气动态相关的非线性。总体而言,结果验证了MPANN-RMSO建模的稳健性,大多数输出的一致性以及表明未来在每小时GHI预测方面有优化机会的微小差异。这些发现证实了所提出模型遵循统计有效性的原则。
在实际的太阳能应用中,当前的智能耦合MPANN-RMSO建模方法在提高太阳能系统的能源管理方面具有巨大潜力。它强调了人工智能技术在增强太阳能装置的集成和运行效率方面的关键作用,支持可持续能源创新和发展的更广泛目标。尽管所提出的方法展示了令人鼓舞的预测性能,但在捕捉快速变化的云层形成和不规则结构特性方面仍有限制。没有明确的云层信息,该模型无法可靠地预测多云条件下的快速辐照度变化和间歇性,从而导致在瞬态事件中产生较大的误差和潜在偏差。同样,忽略太阳几何特征(例如,太阳天顶角、一年中的日期)会削弱对确定性昼夜和季节性辐照结构的表示,增加残差方差并降低跨时间尺度的泛化能力。总的来说,这些遗漏限制了模型区分气象随机性和天文确定性的能力,从而限制了预测的准确性。因此,未来的研究将重点关注基于深度学习的云识别和分类技术,这些技术有望提高全天空云图识别的自动化、稳健性和一致性。在沙特阿拉伯实施这些方法可以显著增强区域云图绘制和识别能力。
4. 与其他机器学习方法和元启发式优化混合体的比较分析
为了确认Root Mean Square Propagation Optimizer(RMSO)与多层感知器人工神经网络(MPANN)组合的计算效率和预测准确性,还进行了新的模拟和全面的比较分析,使用了沙特阿拉伯纳杰兰城市相同的一小时GHI数据集,比较了开发的MPANN-RMSO模型与其他优化的MPANN混合体(MPANN-GA、MPANN-PSO和MPANN-Adam)以及现有的独立ML方法(XGBOOST、LSTM、MPANN)在预测GHI方面的性能,如表7和图10、图11所示。结果表明,MPANN–RMSO在GHI预测方面的准确性能最佳,实现了最高的R2(0.993)和最低的误差(RMSE=35.64 W/m2,MAE=19.31 W/m2)。耦合的MPANN/Adam显示了第二好的预测性能(R2=0.990;RMSE=37.88 W/m2;MAE=24.78 W/m2),表明其错误减少程度略低于RMSO。其他优化器的稳健性较低:PSO产生的误差较高(R2=0.986;RMSE=46.96 W/m2;MAE=29.54 W/m2),而GA的预测准确性最差,R2最低(0.976),误差最大(RMSE=57.54 W/m2,MAE=44.11 W/m2)。结果表明,所提出的MPANN–RMSO混合模型优于其他优化的MPANN模型(MPANN-GA、MPANN-PSO和MPANN-Adam)。
表7. 使用各种优化器在沙特阿拉伯纳杰兰进行GHI预测的MPANN基模型的比较分析。
表8和图10、图11展示了MPANN-RMSO模型与几种经典ML方法(XGBOOST、LSTM和MPANN)在GHI预测方面的比较性能。在基准ML方法中,LSTM通常比单独的MPANN和XGBoost更具竞争力,特别是在WindGHI-4模型中,其R2接近最佳模型(R2=0.988,RMSE=42.89 W/m2)。没有RMSO的经典MPANN显示出较差的泛化能力,在所有情况下错误都显著更高,表明优化器的选择是性能的关键因素。此外,XGBoost在M-3情况下显示出最低的潜在性能,R2最低(R2=0.939),误差最大(RMSE≈101.11 W/m2,MAE≈76.74 W/m2)。
5. 与文献中先前的机器学习研究的比较
另一方面,表9展示了本研究中提出的混合MPANN-RMSO模型与其他相关经典和深度学习模型在GHI预测方面的准确性统计比较。模型正确性通过RMSE、MAPE和R2等统计指标进行验证。所提出的MPANN–RMSO显示出最强的预测性能,R2=0.983–0.992,超过了报告的LSTM(R2=0.9324),略高于广义回归神经网络(R2=0.9820)。该方法还实现了显著更低的绝对误差,其均方根误差(RMSE)为36.06 W/m2,相比之下XGBoost为63.09 W/m2,随机森林(Random Forest)为88.6 W/m2;平均绝对误差(MAE)为42.75 W/m2,低于随机森林的61.49 W/m2。总体而言,MPANN-RMSO模型在GHI估计的准确性和鲁棒性方面与现有的机器学习研究结果相比具有很强的竞争力。表9. 当前MPANN-RMSO模型与其他机器学习模型在预测GHI方面的比较。
| 参考文献 | 国家 | 输入变量 | 输出目标 | ML方法 | 统计矩阵 | R2 | RMSE(W/m2) | nRMSE(%) | MAE(W/m2) | MAPE(%) |
|--------|-------|--------|------|---------|-------|--------|-------|--------|--------|
| [30] | 沙特阿拉伯 | 风速、空气温度、一天中的时间以及前一小时的地表水平辐照度(GHI) | MPANN-RMSO | 0.992 | -0.983 | 36.06 | 42.75 | | |
| [27] | 印度 | 相对湿度、露点温度、空气温度、风速、风向 | LSTM | 0.932 | 40.09 | -0.181 | 6.79 | -10.47 | |
| [34] | 澳大利亚 | 1天、1周、2周和1个月的预测 | LSTM-1.5 | 15% | 4.6 | -7.3 | | |
| [25] | 沙特阿拉伯 | 平均温度、相对湿度、风速、最大日照时长 | XGBO | 63.09 | 0.481 | | | |
| [28] | 法国 | 所有天气参数 | 随机森林(RF) | -88.6 | 19.65 | 61.49 | 13.64 | | |
**结论**
准确预测未来一小时的全球水平辐照度(GHI)对于改善能源资源规划和优化太阳能系统至关重要。本研究探讨了使用先进的多层感知器人工神经网络(MPANN)来预测沙特阿拉伯六个不同气候城市的未来一小时太阳辐射。通过超参数调整,并采用RMSprop优化(RMSO)方法,提高了这些模型的性能。模型分析了GHI预测模型中输入参数的逐步减少情况,以评估在不同输入特征集下的性能。WindGHI-4模型使用了四个输入参数:风速、空气温度、一天中的时间和前一小时的地表水平辐照度(GHI);而TempGHI-3模型排除了风速,仅依赖三个输入参数;LiteGHI-2模型进一步简化,仅使用空气温度和一天中的时间。应用的人工智能模型的性能通过误差指标进行评估,包括RMSE、MAE和R2。输入特征选择分析显示,未来一小时的GHI受滞后GHI的影响最大,相反,湿度和环境温度显示出中等的负相关关系。统计分析表明,超长期测量数据与提出的MPANN-RMSO模型预测结果之间的吻合度很高。特别是,基于WindGHI-4特征的混合模型在鲁棒性和准确性方面均优于TempGHI-3和LiteGHI-2。模拟结果显示,在沙特阿拉伯六个不同区域,WindGHI-4的确定性系数估计为0.992-0.983,而TempGHI-3为0.990-0.980,LiteGHI-2为0.972-0.905。此外,基于WindGHI-4的混合MPANN-RMSO模型显示出最低的测试MAE和RMSE值(MAE:42.75 W/m2;RMSE:36.06 W/m2),优于基于LiteGHI-2的MPANN-RMSO模型(MAE:65.78 W/m2;RMSE:114.9 W/m2),这表明考虑所有相关输入特征可以确保更准确的学习并提高模型的整体预测性能。总之,所提出的方法提供了对天气相关变量和环境条件的更好理解,从而更准确地评估GHI潜力。该方法将地震反演、概率神经网络和贝叶斯分类结合到一个连贯的工作流程中,使得GHI预测更加可靠。
**7. 局限性与未来展望**
本研究展示了MPANN-RMSO模型在沙特阿拉伯不同区域估算太阳辐射的有效性。然而,在这些方法实际应用之前,还需要进一步的验证。尽管所提出的方法表现良好,但在捕捉云层形成快速变化的动力学和不规则结构特征方面仍然有限。因此,未来的研究将重点关注基于深度学习的云识别和分类技术,这些技术有潜力提高全天空云分析的自动化、鲁棒性和一致性。在沙特阿拉伯实施此类技术可以大幅增强区域云图绘制和识别能力。此外,未来的工作还将致力于开发更具弹性的、适应背景的特征学习策略,并整合多源气象数据集,以提高自动化云监测的可靠性和更广泛的应用范围。此外,在具有相似气候的多个地点进行跨区域测试和迁移学习评估,也有助于验证该框架的鲁棒性、量化跨领域的可迁移性,并确认其在研究区域之外的通用性。
**作者贡献声明**
概念化、方法论、可视化、调查、写作 – 原稿准备:Arunachalam Sundaram, Hassan Z. Al Garni, Mohamed E. Zayed, Abdullahi Abubakar Mas'ud, Shafiqur Rehman
数据整理、验证、监督、资源管理 – 编辑与审稿:Hassan Z. Al Garni, Arunachalam Sundaram, Abdullahi Abubakar Mas'ud, Mohamed E. Zayed, Shafiqur Rehman
软件开发:Hassan Z. Al Garni, Mohamed E. Zayed
项目管理、监督、资源管理、编辑与审稿:Abubakar Mas'ud, Mohammed Abdul Baseer, Mubarak A. Al-Anazi, Saud J. Al-Shammari
**数据可用性声明**
本研究中使用和/或分析的数据集可向相应作者索取。
**资金支持**
本研究未接受外部资助。
**关于文档制作中使用的AI工具的致谢**
在撰写过程中,作者使用了ChatGPT来帮助语言精炼和清晰度改进。该工具生成的所有输出均经过作者仔细审查、修订和验证,作者对最终内容负全责。
**作者贡献声明**
Hassan Z. Al Garni:撰写 – 原稿、可视化、软件、方法论、数据整理、概念化
Arunachalam Sundaram:编辑与审稿、验证、方法论、调查
Mohamed E. Zayed:撰写 – 原稿、可视化、验证、软件、数据整理
Abdullahi Abubakar Mas'ud:编辑与审稿、资源管理、项目管理、数据整理、概念化
Shafiqur Rehman:编辑与审稿、可视化、监督、资源管理、方法论
Mohammed Abdul Baseer:编辑与审稿、可视化、验证、软件、数据整理
Mubarak A. Al-Anazi:编辑与审稿、验证、监督、资源管理
Saud J. Al-Shammari:编辑与审稿、可视化、资源管理