用于捕获长期和短期约束以实现精确太阳辐射预测的轻量级混合深度学习方法

《Processes》：The Lightweight Hybrid Deep Learning Approach for Capturing Long-Term and Short-Term Constraints for an Accurate Solar Radiation Forecast

　　

准确的太阳辐射预测对于光伏发电、智能电网稳定性和可再生能源管理至关重要。本研究提出了一种轻量级混合深度学习框架，该框架结合了Transformer编码器和门控循环单元（GRU）网络，用于沙特阿拉伯麦加和麦地那的短期太阳辐射预测。研究人员利用了NASA POWER数据集（2020–2025）的每小时气象数据，包括太阳辐射强度、温度、湿度、风速、云量、降雨量、地表压力和露点温度。研究人员采用了预处理流程，包括缺失值处理、异常值去除、归一化、时间戳对齐和数据清洗，以提高数据质量。研究人员引入了特征工程技术，以捕获时间依赖性、气象相互作用、天气动态和太阳变异性模式。Transformer编码器通过多头自注意力学习长期时间依赖性，而GRU层有效地建模了顺序时间动态。研究人员使用Optuna进行贝叶斯优化超参数优化。实验结果表明，所提出的Transformer-GRU框架实现了平均绝对误差（MAE）为0.014，均方根误差（RMSE）为0.0219，决定系数（R2）为0.98。所提出的模型优于ARIMA、LSTM、GRU和XGBoost模型，同时在不同天气条件和预测范围内保持稳定性能。

随着全球对可持续能源需求的增加，太阳能作为清洁、丰富的可再生能源，在电力系统中占据重要地位。然而，太阳辐射的间歇性和高度非线性特性，受云量、湿度、温度、风速等气象因素影响，导致光伏发电不稳定，给电网调度和能量管理带来挑战。准确预测短期太阳辐射，尤其是小时级或日级预测，对于优化光伏系统效率、保障智能电网稳定性和促进可再生能源并网至关重要。现有预测方法包括物理模型（如数值天气预报）、统计模型（如ARIMA）和机器学习模型（如LSTM、GRU、XGBoost），但物理模型计算成本高，统计模型难以捕捉复杂非线性关系，传统深度学习模型在处理长期依赖时存在局限性。为此，研究人员提出了一种轻量级混合深度学习框架，结合Transformer编码器的全局上下文捕获能力和门控循环单元（GRU）的局部时序建模能力，用于沙特阿拉伯麦加和麦地那地区的短期太阳辐射预测。该研究发表于《Processes》。

研究人员采用的主要关键技术方法包括：数据预处理（缺失值处理、异常值去除、Z-score法、最小-最大归一化、时间戳对齐、数据清洗）、特征工程（滞后特征、滚动统计特征、循环时间编码、气象交互特征）、模型架构（Transformer编码器+GRU层+全连接输出层）、超参数优化（基于Optuna的贝叶斯优化）。样本数据来源于NASA POWER公共数据集（2020–2025），涵盖麦加和麦地那两个地区，包含太阳辐射强度、温度、湿度、风速、云量、降雨量、地表压力、露点温度等8个气象变量，共52,608条小时级记录。

研究结果部分：
**模型性能评估**：通过对比不同GRU单元数（32至1024）和Transformer参数（注意力头数、隐藏维度、层数），发现1024个GRU单元、16个注意力头、128隐藏维度、4层Transformer的配置最优，测试集决定系数（R2）达0.98，平均绝对误差（MAE）为0.014，均方根误差（RMSE）为0.0219。
**与基准模型对比**：所提出的Transformer-GRU混合模型在MAE、RMSE和R2上均优于ARIMA、LSTM、GRU、XGBoost、随机森林、支持向量回归（SVR）等模型，MAE降低50.0%–83.5%，RMSE降低56.2%–87.5%，R2提升最高16.4%。
**不同天气条件下的性能**：在晴朗、多云、高湿、混合天气等条件下，模型均保持稳定，误差波动极小，表明其鲁棒性。
**不同预测范围的表现**：针对1小时、3小时、6小时、8小时前瞻预测，模型在所有范围内均取得最低误差，R2均高于0.97。
**特征工程影响**：完整特征集（滞后特征、滚动统计、循环时间编码、交互特征）比单一特征或基线模型显著提升性能，R2从0.85提升至0.98。
**五折交叉验证**：验证集和测试集R2均超过0.97，训练集与测试集误差接近，表明模型泛化能力强，无过拟合。
**计算效率**：模型仅需154万可训练参数，训练时间16.2分钟，推理延迟2.1毫秒/样本，体现了轻量级设计。

讨论部分：研究人员指出，Transformer编码器通过多头自注意力捕获长期依赖，GRU层有效建模短期时序动态，两者结合实现了层次化学习。模型在低辐射区间（0–50 W/m2）误差略高，可能因大气不确定性增加，但在中高辐射区间表现稳定。误差分析显示预测偏差接近零，无系统性偏移。研究局限性包括：仅依赖单一数据源（NASA POWER）、地理范围限于麦加和麦地那、未进行实时部署验证、在高波动或低辐射条件下仍有轻微性能下降。

研究结论翻译：所提出的Transformer-GRU混合框架在短期太阳辐射预测中展现出强大的准确性和稳定性，实现了极低的误差指标（MAE：0.014，RMSE：0.0219）和高决定系数（R2：0.98）。通过有效整合注意力机制和循环架构的优势，模型捕获了气象数据中的长期时间依赖和顺序模式，使其在多种评估场景（包括不同天气条件和预测范围）中持续优于ARIMA、LSTM、GRU、XGBoost等传统及先进模型。结果进一步表明，模型在复杂大气条件下仍保持鲁棒性和稳定性，泛化能力强。该模型可支持光伏系统优化调度、提高电网可靠性，特别适用于高太阳能潜力地区。未来研究可纳入多源高分辨率数据（如卫星图像、地面传感器、物联网气象站），扩展至不同气候区域，结合概率预测方法，并探索注意力增强或物理信息混合架构，以及实时部署优化。