利用基于物理的模型与机器学习模型评估和预测混合光伏-风电出力，以实现可靠的电力系统优化

《Sustainable Energy Technologies and Assessments》：Evaluation and prediction of hybrid solar-wind energy output using physics-based and machine learning models for reliable power system optimization

　　

•物理模型加入了温度依赖的光伏效率和风力发电功率曲线。•严格的时序分割结合调优的随机森林方法可防止评估中的数据泄漏。•随机森林代理模型可复现基于物理的混合系统输出，R2 = 0.9951。•五季分析：Khareef季风期因云层覆盖导致发电量最低。•LOLP案例研究：制约系统定型的因素是Khareef季风期而非冬季。

引言

全球能源行业正朝着可再生能源方向发生根本性变革，以应对气候变化缓解目标并确保可持续的能源安全[1]。结合太阳能光伏（PV）和风力发电的混合可再生能源系统（HRES）已成为克服单一可再生能源固有局限性的有前景的解决方案，尤其是其间歇性特点以及太阳能和风力资源之间的互补特性[2][3]。然而，这些可再生能源的随机性和可变性给电力系统运营商、电网管理者和系统设计者在维护电网稳定性和确保可靠供电方面带来了重大挑战[4]。

太阳能光伏输出主要取决于太阳辐照度和电池温度，由于光伏电池的温度系数，在较高运行温度下会发生效率降低[5][6][7]。风力发电受风速、空气密度和涡轮机气动特性的影响，表现出高度非线性的功率输出关系，遵循风速与功率输出之间的三次方关系[8][9]。这些环境因素表现出复杂的、非线性的、随时间变化的行为，使得精确预测尤为困难[10]。传统的基于物理的建模方法虽然能提供物理上可解释的结果，但往往无法捕获真实系统行为和复杂环境交互的完整复杂性[11][12]。相反，纯数据驱动的方法可能缺乏物理可解释性，并且在面对不同系统配置或气候条件时泛化能力有限[13]。

现代可再生能源系统面临三个关键挑战，亟需精确的预测能力：

准确的功率预测：太阳能和风力资源的间歇性和可变性给精确预测混合功率输出带来了重大挑战，这对于有效的并网整合、能源管理和经济优化至关重要[14]。当前的预测方法往往精度不足，无法满足可靠的运行决策需求[15]。

可靠的负荷供电：设计能够可靠满足负荷需求的系统，需要全面理解可再生能源发电的时间模式及其与负荷需求之间的关联[16]。现有方法缺乏考虑昼夜和季节变化的全面时序分析框架[17]。

系统优化：在不出现组件过度或不足配置的前提下优化太阳能和风力资源的组合，需要精确的预测模型和定量评估框架，且需考虑时间变异性[18]。当前的定型方法通常依赖简化假设，无法充分反映时间变异性与季节模式。

具体而言，光伏输出通过温度系数控制的非线性关系取决于辐照度和温度，而风力发电通过三次方功率定律关系取决于风速和空气密度，遵循基本的风能转换原理[19]。环境因素表现出非线性和随时间变化的行为，使得仅依靠基于物理的建模不足以实现精确预测[20]。传统的负荷供电规划方法未整合数据驱动的人工智能（AI）方法来实现实时预测，从而限制了系统优化能力。

本研究的主要目标如下：

1. 开发增强的光伏和风力发电预测物理模型，纳入温度依赖的效率校正和真实的功率曲线特性。

2. 实施并严格评估机器学习方法，具体采用随机森林回归进行混合功率预测，并进行全面特征工程。

3. 系统比较基于物理的数据驱动方法，识别它们的互补优势和协同潜力。

4. 对多个时间尺度的预测性能进行全面的时间与季节分析，包括研究区域独特的Khareef（季风）季节特征。

5. 开发混合系统定型和负荷评估的定量框架，以实现实用的系统设计与优化。

主要假设：结合基于物理的光伏和风力模型与机器学习（随机森林）方法，可以准确预测混合太阳能-风力发电输出，并在可变环境条件下可靠评估系统能否满足给定电力负荷。

子假设

1. 经过特征工程的环境数据（辐照度、温度、风速、气压、湿度、年内天数、小时数）相较于原始气象输入，能显著提升AI预测精度。

2. 相关性分析可识别主导变量，从而增强模型可解释性并提高负荷预测能力。

3. 基于光伏和风力方程的混合系统定型公式可定量评估所需能源和资源充足性，从而促进实用系统设计。

可再生能源预测

可再生能源预测已被广泛研究，各种方法从物理模型到统计方法和机器学习技术不等。光伏系统的物理模型通常利用辐照度数据和组件效率参数，通过温度系数纳入温度对电池效率的影响。风力发电模型依赖于由涡轮机规格和基于气象条件的空气密度计算导出的功率曲线。

系统定义

本文研究的混合可再生能源系统由以下部分组成：

•光伏系统：采用Jinko JKM390M光伏组件，总阵列面积为100 m2，在标准测试条件（STC）下组件效率为20%，温度系数为0.004 °C?1。系统按照已建立的光伏建模原则[46]纳入温度依赖的效率校正。

•风力系统：微风力涡轮机，转子半径为0.75 m（扫掠面积为π × 0.752 ≈ 1.77 m2），功率系数为0.35，额定功率为……

时间特征：

•一天中的小时数（0-23），以捕获太阳辐照度和风速的昼夜模式，反映每日太阳循环和典型的风模式。

•年内天数（1-365），以捕获季节变化和气候模式，包括独特的Khareef季风季节。

数据集特征

经过全面预处理后，最终数据集包含8,784条小时级记录，覆盖2024年全年，提供了完整的年度周期以供分析。通过系统化的清洗程序严格确保数据质量，所有缺失值均得到适当处理，并基于专业领域标准移除了异常值。该数据集呈现出亚热带气候的特征模式，具有明显的季节变化，包括独特的Khareef季风季节，该季节……

假设验证

所有三个子假设均通过综合分析得到了强有力的验证：

1. 子假设1：经过特征工程的环境数据显著提高了AI预测精度，如卓越的性能表现（R2 = 0.9951）和特征重要性分析所明确展示的那样，这些分析清楚地证明了时间和衍生特征的巨大价值。电池温度、空气密度和时间特征的纳入对模型性能贡献巨大，验证了……

结论

本研究通过一种将基于物理和机器学习相结合的创新方法，成功解决了混合太阳能-风力发电预测的关键挑战。随机森林模型在测试集上表现出卓越的性能，R2为0.9951，RMSE为0.4304 kW，MAE为0.0884 kW，有力地验证了研究假设，并大幅超出初始性能目标，证明了混合建模方法的有效性。

主要贡献包括：（1）……

CRediT作者贡献声明

C. Balakrishna Moorthy：审阅与编辑、撰写初稿、可视化、验证、监督、软件、资源、项目管理、方法论、调查研究、正式分析、数据整理、概念构思。Mustafa Nouman Sheik：审阅与编辑、撰写初稿、可视化、验证、软件、资源、方法论、调查研究、正式分析、数据整理。Sivamani Selvaraju：审阅与编辑。Qies Riyad Salameh：审阅与编辑。

利益冲突声明

作者声明不存在可能影响本文所报告工作的已知竞争财务利益或个人关系。

致谢

作者感谢技术与应用科学大学（UTAS）萨拉拉校区提供研究环境和计算资源。特别感谢气象数据采集团队提供2024年全年的全面天气数据。作者还感谢UTAS萨拉拉校区电气工程系的支持。

C. Balakrishna Moorthy是阿曼萨拉拉技术与应用科学大学工程部门电气工程单元的资深讲师。他获得了印度拉贾斯坦邦比尔拉科技大学与科学院的电气工程博士学位。Moorthy博士在高影响力期刊上发表了25篇以上的论文，并主持五个资助项目，涉及可再生能源并网、系统优化和性能评估。他的研究结合了……

C. Balakrishna Moorthy | Mustafa Nouman Sheik | Sivamani Selvaraju | Qies Riyad Salameh Sloulin