综述：用于太阳辐射预报的三元分析框架：基于人工智能方法的系统性定量综述

《ARCHIVES OF COMPUTATIONAL METHODS IN ENGINEERING》：A Triadic Analytical Framework for Solar Irradiance Forecasting: A Systematic Quantitative Review of AI-Based Methods

　　

摘要

准确的太阳辐射强度预报对于电网稳定、光伏系统整合以及能源管理而言至关重要。本研究依据Kitchenham协议和PRISMA指南，对2015年至2024年间发表的关于利用人工智能进行太阳辐射强度预报的相关研究进行了系统性文献综述。通过定量与定性分析，共研究了80篇经过同行评审的研究论文。与以往主要提供描述性总结的综述不同，本研究提出了一个将预报时间范围、输入数据以及模型架构相互关联的三维分析框架。研究采用了卡方检验、Cramér’s V关联分析、多重对应分析以及K-Modes聚类等方法，以识别统计关联、潜在的方法论结构以及主流的预报范式。分析结果表明，相关技术正从传统的统计方法和机器学习方法逐步向深度学习及混合框架发展，其中混合模型在近期的研究中占比超过42%。短期预报是研究最多的预报时间范围，占比为39%；而全球水平辐照度、温度、相对湿度以及风速则是最常被用作输入变量。小波变换是最常用的预处理技术，而最小冗余最大相关性算法以及元启发式优化算法则多用于特征选择和参数优化。在所有被研究的论文中，RMSE和R²是最常被用作评估指标的。分析显示，方法的选择并非仅由模型复杂性决定，而是受到预报时间范围、输入数据特征以及模型架构共同作用的影响。总体而言，本综述对基于人工智能的太阳辐射强度预报领域的最新进展进行了定量总结，同时提出的三维分析框架有助于理解方法论的发展趋势，并为未来的研究提供支持。