《Energy Conversion and Management: X》：Deployment-oriented multi-horizon solar irradiance forecasting on resource-constrained devices using causal Butterworth denoising and lightweight neural predictors
编辑推荐：
准确的短期太阳辐照预测对于光伏（PV）和混合能源系统的实时控制至关重要，但许多高精度模型在资源受限的边缘硬件上仍难以实际应用。研究人员提出了一种面向部署的、节俭型多水平全球水平辐照度（GHI）预测管线，该管线将轻量级神经预测器与低开销信号调理相结合。研究人员使
准确的短期太阳辐照预测对于光伏（PV）和混合能源系统的实时控制至关重要，但许多高精度模型在资源受限的边缘硬件上仍难以实际应用。研究人员提出了一种面向部署的、节俭型多水平全球水平辐照度（GHI）预测管线，该管线将轻量级神经预测器与低开销信号调理相结合。研究人员使用喀麦隆杜阿拉一年内30分钟分辨率的GHI测量数据，针对未来{1, 5, 10, 15}步（0.5–7.5小时）的预测水平，对四种预处理策略——移动平均、中值、巴特沃斯低通和小波去噪——与紧凑型门控循环单元（GRU）和浅层人工神经网络（ANN）进行了基准测试。在离线评估中，零相位巴特沃斯参考（前向-后向滤波）通过无相位失真的高频噪声抑制持续获得最佳精度，在h=1时达到：nRMSE=4.949%，MAE=5.06 W/m2，R2=0.998（采用GRU）。对于可部署的流式操作，相同的截止频率/阶数被实现为严格因果的单通道IIR巴特沃斯滤波器（相位延迟权衡），确保了时间因果性和实时可行性。GRU模型保持边缘高效性（12,800个参数，约50 KB FP32），推理延迟为毫秒级（约3.66 ms），可支持嵌入式能源管理用例。总体而言，研究结果表明，将低成本滤波与紧凑序列模型相结合，能够在严格的计算和内存预算下实现准确的多水平辐照预测，同时清晰地区分离线性能上界与可部署的因果操作。
论文解读
**一、研究背景与问题**
能源是工业和经济发展的基础，而化石燃料的枯竭与环境约束正加速全球能源转型进程。在中非地区，尤其是喀麦隆及其沿海城市杜阿拉，充沛的太阳辐射为光伏（PV）系统满足当地电力需求提供了丰富、清洁且可持续的资源。然而，太阳辐照度因云层动力学、湿度和太阳几何等因素呈现高度波动性，这对短期预测构成了严峻挑战，直接影响光伏系统容量配置、调度及实时控制的准确性。
近年来，基于数据驱动的方法（如长短期记忆网络（LSTM）和Transformer）虽在预测精度上取得显著提升，但往往伴随高昂的计算成本，严重限制了其在嵌入式控制器和边缘设备上的实际应用。现有研究普遍存在精度与计算复杂度之间的矛盾：高精度模型难以在资源受限硬件上实时运行，而轻量级模型又往往以牺牲精度为代价。此外，许多预测管线忽视了信号预处理在提升输入质量方面的关键作用，以及离线评估与在线部署之间的因果性差异。因此，亟需一种既准确又计算节俭的预测方法，能够从高频气象信号中学习，并在资源约束下实时运行。
**二、研究内容与贡献**
针对上述问题，研究人员提出了一种面向部署的、计算节俭型多水平全球水平辐照度（GHI）预测框架。该框架将低开销信号调理与轻量级序列模型相结合，专为嵌入式/边缘能源应用设计。研究基于喀麦隆杜阿拉IUT气象站（WS501-UMB传感器，坐标4°3′53.77″ N, 9°41′15.41″ E，海拔13 m）采集的2024年全年30分钟间隔GHI数据，系统评估了四种预处理策略（移动平均、中值滤波、二阶巴特沃斯低通滤波、小波去噪）与两种轻量级模型（紧凑型门控循环单元（GRU）和浅层人工神经网络（ANN））在多水平预测任务（h∈{1, 5, 10, 15}步前）上的性能表现。
研究的主要贡献包括：（i）构建了节俭型混合滤波前端，集成并基准测试四种低成本预处理策略以稳定噪声GHI信号；（ii）在统一实验协议下进行多水平轻量级预测基准测试，量化精度-复杂度权衡；（iii）明确区分离线零相位巴特沃斯滤波（上界参考）与严格因果单通道巴特沃斯实现（实时流式部署），体现部署感知的框架设计；（iv）提供鲁棒性测试（噪声/缺失/异常值场景）及边缘可行性指标（参数、内存占用、MACs、推理延迟）。
**三、主要技术方法**
研究采用MATLAB深度学习工具箱，在配备Intel Core i7-7700HQ CPU（2.8 GHz）、32 GB RAM、1 TB SSD和NVIDIA GeForce GTX 1050 GPU的Windows 11工作站上进行实验。关键技术方法包括：零相位巴特沃斯滤波（filtfilt前向-后向滤波）作为离线参考与严格因果单通道IIR滤波（filter函数）用于在线部署；四种信号去噪预处理技术（移动平均窗口K=10、中值滤波窗口M=5、二阶巴特沃斯低通截止频率fc=0.1、db4小波4级分解软阈值去噪）；基于滑动窗口（序列长度20）的GRU（64隐藏单元）和ANN（64隐藏单元）模型训练，采用80/20时间顺序划分训练/测试集，z-score归一化参数仅从训练集计算以避免数据泄漏；采用均方根误差（RMSE）、平均绝对误差（MAE）、归一化均方根误差（nRMSE）、对称平均绝对百分比误差（sMAPE）和决定系数（R2）作为评估指标。
**四、研究结果**
**多水平预测性能与滤波效果**：零相位巴特沃斯滤波在全部指标和预测水平上均表现最优。最佳配置（巴特沃斯+GRU）在h=1时达到nRMSE=4.949%，MAE=5.06 W/m2，sMAPE=42.69%，R2=0.998。误差随预测水平增加而增长，但巴特沃斯+GRU组合在每个水平上均保持领先，且GRU的退化曲线比ANN更平缓（nRMSE-水平回归斜率：GRU为+2.5998%/步，ANN为+2.8195%/步），表明门控循环结构能更好地保持时间依赖性。
**最优配置分析**：在h=1时，巴特沃斯+GRU的nRMSE（4.949%）显著优于巴特沃斯+ANN（6.284%）。时间序列轨迹分析显示，GRU在快速辐照转变期间表现出近乎完美的跟踪能力。随着水平增加（h=5），两者差距缩小（GRU nRMSE=35.075% vs ANN nRMSE=35.405%），表明循环结构的优势在短水平更显著。
**鲁棒性测试**：在添加高斯噪声、随机缺失（10%）和异常值（5%）的压力测试中，巴特沃斯滤波在清洁、噪声和缺失场景下表现最佳，但异常值场景导致显著退化（GRU nRMSE从4.949%升至约35.075%）。移动平均在短水平下稳定但长水平敏感；中值滤波对异常值有一定鲁棒性但多步预测能力不足；小波去噪整体鲁棒性最差，即使在清洁条件下误差也较高。
**边缘部署可行性**：GRU模型具有12,800个可训练参数（约50 KB FP32存储），平均推理延迟4.17 ms（范围3.50–7.37 ms）；ANN模型仅需1,408参数（约5.5 KB），平均延迟2.82 ms。GRU的MACs为249,664，ANN为1,344。所有配置均满足低功耗CPU的计算包络，适合集成到嵌入式能源管理系统（EMS）中。
**消融研究与基线对比**：与持久性基线（PERS）相比，巴特沃斯+GRU在nRMSE上平均降低69.50%（h=1时降低75.68%）。去除滤波处理导致h=1时GRU nRMSE从10.918%（移动平均）恶化至76.035%（无滤波），重新引入滤波可恢复85.6%的误差。这表明信号预处理是预测精度的主导因素。
**五、讨论与结论**
研究发现，相位感知去噪是短水平预测精度的主要决定因素。零相位巴特沃斯滤波通过无相位失真地衰减高频噪声提供干净参考信号，在h=1时尤为重要。但零相位滤波是非因果的，不可在线部署；实时应用需采用严格因果单通道巴特沃斯滤波器，以可预测的相位延迟换取物理可实现性和边缘可行性。
与现有深度学习方法对比，研究人员指出，尽管站点、采样率、输入和评估协议存在差异，使用单变量30分钟GHI信号和紧凑GRU模型即可实现具有竞争力的精度（h=1时nRMSE=4.949%），表明在严格资源约束下，精细的信号调理可大幅减少对重型模型的需求。研究将"可部署性"定义为满足实时约束（因果预处理和时间顺序评估）及边缘可行性（内存、计算、延迟），而跨站点泛化被视为明确局限。
研究结论表明：上游滤波是预测质量的主导因素，离线零相位巴特沃斯滤波提供上界参考；在信号调理得当的情况下，紧凑GRU（12,800参数）在多数设置下优于浅层ANN，体现门控时间建模在严格尺寸约束下的优势。最佳单步配置（巴特沃斯+GRU）达到nRMSE=4.949%，MAE=5.06 W/m2，sMAPE=42.69%，R2=0.998，同时保持约50 KB FP32的存储占用和约3.66 ms的毫秒级推理延迟，支持在嵌入式EMS和数字孪生控制器中的集成应用。未来工作将扩展至多站点多气候验证、融合外生气象预测因子、硬件在环评估，以及部署级压缩与加速（如int8量化、结构化剪枝）。
