一种集成的机器学习与MATLAB/Simulink框架，用于增强光伏发电功率预测与电网整合

《Journal of Cleaner Production》：An integrated machine learning and MATLAB/Simulink framework for enhanced photovoltaic power forecasting and grid integration

　　

摘要

光伏（PV）系统快速并网现代电力系统，要求能量预测方法既具备统计精确性又符合物理一致性。本研究提出了一种混合预测框架，在MATLAB/Simulink环境中将基于机器学习的预测与基于物理的验证相结合。其核心贡献是一个两层验证工作流，在该流程中，数据驱动的集成预测将与并网光伏仿真模型进行评估，以评估其在实际运行条件下的物理可行性。所提出的框架采用堆叠集成策略，整合了互补的基于树的和基于神经网络的基学习器，并在多个数据集上进行评估，包括再分析气象数据和现场实测光伏输出数据。结果表明，堆叠集成在再分析数据集（MERRA-2）上实现了均方根误差（RMSE）为0.022、平均绝对误差（MAE）为0.011、决定系数（R2）为0.996。在真实世界（北半球）光伏数据上，该模型实现了RMSE为4.7211 W、MAE为3.5061 W、R2为0.5612；而独立气象数据（NSRDB）则实现了RMSE为0.0554 W、MAE为0.0297 W、R2为0.9815，表明其在不同运行条件下均具有竞争力。统计比较表明，集成模型在选定数据集上相对于基准模型在MAE方面有显著改善，同时在RMSE方面保持竞争力。为增强可解释性，采用基于LIME的分析量化气象特征的影响，并通过消融实验评估集成架构的贡献和鲁棒性。基于10 kW并网Simulink模型的物理验证表明，预测的功率轨迹与变换器动态和运行约束一致，机器学习预测与仿真输出之间的平均偏差约为3%，RMSE为0.182 kW。使用泰米尔纳德邦再分析数据的额外验证表明具有良好的泛化能力，尽管评估仅限于特定地点和条件。此外，本研究还探讨了考虑退化效应的长期预测，以扩展框架在规划应用中的使用。总体而言，所提出的方法为数据驱动预测与工程验证的整合提供了一条结构化路径，从而实现更可靠的可再生能源并网、改进的能源管理和资源高效的电网运行，支持向更清洁的电力生产转型。

引言

太阳能光伏（PV）系统作为替代电源的采用被认为优于化石燃料，其在全球向可再生能源转型的推动下也得到了加速。太阳能的使用减少了碳排放，从而增强了能源安全性和可持续性。太阳能的使用也是可持续发展目标（SDG）7的核心组成部分，该目标专注于为全体人口提供经济、可靠且可持续的能源（Gu, B. et al., 2023; Ahmed et al., 2020）。然而，太阳能发电的间歇性和波动性带来了一系列挑战，需要在并网集成和稳定性管理中得到解决。此外，由于太阳能输出直接受天气条件（即太阳辐照度、温度和风速）影响，提供一致且可靠的能源供应变得更加困难。因此，准确的光伏发电预测不仅对电网稳定性、储能优化和实时调度至关重要，对清洁生产导向的能源管理也至关重要，因为改进的预测能够更高效地调度和利用可再生能源发电，同时减少与可再生能源波动相关的可避免的备用需求、平衡低效和弃光问题（Scott et al., 2023）。主要的经典预测技术包括基于数值天气预报（NWP）的模型、统计方法和基于物理的模型（在MATLAB/Simulink中实现）。尽管这些技术可以为光伏系统的动态提供有价值的见解，但它们不太适用于捕捉太阳能发电过程中的非线性及时间变化行为（Yang, D et al., 2022）。机器学习（ML）现已成为解决光伏发电预测问题的有效工具。更复杂的算法，包括随机森林（RF）和极端梯度提升（XGB）算法、人工神经网络（ANN）和长短期记忆（LSTM）网络，能够提供更可靠的预测，因为它们能够处理气象变量与光伏发电输出之间潜在更复杂的关系（Luo, X et al., 2021）。

集成学习是一项近期发展，已显示出令人振奋的结果，包括堆叠方法。这些策略使用某些基学习器，例如随机森林（RF）、XGB和自适应提升（AdaBoost），以及更高级的模型来预测光伏输出能量。堆叠方法比单一机器学习模型更高效，预测精度约为96%，远高于单一机器学习模型（Hamad, Z., & Abdulrahman, I., 2022; Cao, Y et al., 2025）。堆叠算法通过将XGB和RF结合来发现太阳能光伏输出中的依赖性，并利用AdaBoost捕捉时间相关变化，运作效果良好。更先进的模型使用循环神经网络（RNN）作为元学习器来实现多日前预测，并在堆叠中使用贝叶斯元学习，从而比传统单一模型获得更高的预测精度（Husein and Chung, 2019）。然而，一个重要挑战仍然存在，即从统计精度所达到的水平跨越到在并网系统中的实际应用（Yang et al., 2024）。大多数现有机器学习和深度学习模型的评估基于基于误差的指标，例如RMSE、MAE和R2。所有这些指标衡量预测精度，但不能保证这些功率轨迹在考虑变换器动态、控制需求以及变换器与电网同步需求的情况下是物理可行的。

因此，统计模型精度可能很高，但模型可能无法直接应用于实际光伏系统。基于物理的模型在MATLAB/Simulink环境中创建，它们详细描述了光伏系统行为，例如最大功率点跟踪（MPPT）、变换器动态和光伏/电网相互作用。然而，这些模型并非预测性质的，通常基于已知条件。目前已经有一些混合方法同时结合了机器学习和基于物理的方法，但大多数方法是以单向方式进行，即将机器学习预测直接输入到基于物理的模型中，而不进行物理一致性的系统评估（Rupesh et al., 2022; de Oliveira Santos et al., 2024）。因此，一个主要的研究需求是开发框架，以集成的、结构化的方法系统地结合数据驱动预测和基于物理的验证。特别是，基于机器学习的预测与并网光伏系统中物理可行的运行条件之间的对齐仍未得到充分探索。具有最大功率点跟踪（MPPT）控制器的并网光伏系统对电力系统稳定性构成了重大挑战，并从根本上改变了电网的传统动态特性，因为间歇性、变换器接口的发电缺乏物理惯性（Zaghba et al., 2024）。这些系统产生了复杂的稳定性问题、电压变化（由于太阳辐射）、频率变化（由于惯性特性的丧失）和谐波畸变（由于降低电能质量的机制）。因此，对先进控制机制和大量测试的需求日益增长。A, R.T., and Chinnappan, C.C. (2025) 使用MATLAB中的风能预测系统基于物理的仿真，结合机器学习（ML）的预测能力，在可变条件下更高效地向消费者输送可再生能源（风能）。这是通过双重验证实现的；模型在MATLAB中对独立风能转换系统进行测试，将机器学习预测与仿真预测进行比较，从而确保保持预测精度和基于物理建模的一致性。本研究将该验证概念应用于具有并网系统的光伏功率预测。

值得注意的是，光伏预测研究中可评估三种类型的方面：(i) 预测精度：预测值与观测值之间的统计一致性；(ii) 工程可行性：预测值遵守物理系统动态和控制的能力；(iii) 电网运行影响：系统层面的效益，包括增强的系统调度、提高的系统可靠性和改进的能源管理。在本研究中，提出了一种多层混合模型，将基于集成的太阳能预测与基于物理的MATLAB Simulink验证相结合，以实现预测精度和操作可信度。该方法提供了一种系统化的验证流程，将数据导向建模与并网光伏系统的动态仿真相结合，并纳入真实的变换器和控制动态。通过基准测试、跨多数据集的泛化以及使用泰米尔纳德邦数据进行地点特定评估进行了验证；还可用于长期预测，并增加了考虑退化效应的优势。该框架利用堆叠策略、可解释性人工智能和仿真支持的验证，促进光伏发电的持续跟踪和协同控制，增强系统可靠性，降低可再生能源并网的不确定性，并提高调度性能。此外，它还有助于需求响应、储能协调和负荷分配的战略决策，所有这些都有助于创建具有弹性、高效和可持续的能源基础设施。所提出的框架将有助于使太阳能更具可预测性和更易用于发电，这将有助于以最具环境友好性和资源效率的方式降低发电成本。清洁能源生产不仅通过使用可再生能源来实现，还通过最小化间歇性期间的效率损失来实现。更准确的光伏预测使电网运营商能够预期可再生能源发电的变化，从而改善机组调度、备用分配、负荷平衡和储能运行。通过减少预测不确定性，该框架可以支持对可用太阳能发电的更大程度利用，同时减少对传统平衡资源的非必要依赖和低效的备用运行。基于物理的MATLAB/Simulink验证进一步确保预测的可再生能源发电能够转化为物理可行的电网运行，从而降低因不切实际的预测而导致的低效调度风险。因此，所提出的机器学习-Simulink框架将可再生能源预测与更清洁的电力生产、高效的能源管理和可再生能源资源的更优利用联系起来。准确的光伏发电预测对电网稳定性、储能优化和实时调度至关重要。从清洁生产角度来看，改进的预测可以支持高效资源利用、减少运行低效、改进能源管理并促进低碳电力的更大整合。考虑退化的长期预测组件通过使能够更早地考虑性能下降、维护需求、储能部署和未来发电容量，进一步支持清洁能源规划。

文献综述

机器学习与MATLAB/Simulink的整合是一个突破，使得在广泛的工程应用中提高了预测、控制和仿真精度。尽管Simulink是设计和分析复杂系统的有效程序，但机器学习实现了数据驱动的决策和自适应学习。本节专门关注与本研究相关的三个关键研究方向：(i) 使用先进机器学习和集成方法进行光伏预测，(ii) 混合方法……

方法论

在本研究中，假设混合模型结合基于机器学习的预测和基于物理的仿真，以产生稳健、可靠的光伏功率预测。该方法通过开发长验证流程来解决当前方法的关键局限性，以提高预测输出的精度和物理真实性。所提出的模型是一个多阶段过程，其中复杂的机器学习算法（如LSTM、ANN、RF和XGB）利用大量气象数据……

案例1：使用机器学习和深度学习模型进行光伏发电预测

在案例1中，使用机器学习和深度学习模型预测光伏发电，包括持续性模型、逻辑回归（LR）、决策树（DT）、梯度提升、LightGBM、门控循环单元（GRU）、时间卷积网络（TCN）、支持向量机（SVM）、LSTM、ANN、RF和XGB。使用数据集1评估了这些模型。表4展示了各种机器学习和深度学习模型在随机分层和时间序列时间顺序验证方案下光伏功率预测的性能比较。

在随机分层划分下，所提出的堆叠集成策略获得了最低的测试RMSE和MAE……

结论

可再生能源可靠地整合到现代电力系统中在很大程度上依赖于准确的光伏功率预测，这可以促进高效的能源管理、可再生能源资源的调度、储能系统的协调和系统运行。从清洁生产角度来看，改善的光伏可预测性可以减少与可再生能源波动相关的不确定性，实现对可用太阳能的更好利用，并支持电力系统的高效运行。

CRediT作者贡献声明

T.A. Rajaperumal：撰写——初稿、可视化、验证、资源、方法论、调查、正式分析、数据整理、概念化。Christopher Columbus C：撰写——审阅与编辑、验证、监督、项目管理、方法论、正式分析、概念化。

伦理声明

不适用。

资金支持

本研究未获得外部资金。

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的竞争性经济利益或个人关系。

致谢

作者衷心感谢金奈维洛尔理工学院为开展本研究提供了必要的工具和支持。

此外，作者们声明在本稿件准备过程中使用了人工智能工具进行编辑和语法增强。T.A. 拉贾佩鲁马尔 | 克里斯托弗·哥伦布·C