干旱沿海气候下全局水平辐照度估算的机器学习模型对比评估

《Climate》：Comparative Evaluation of Machine Learning Models for Global Horizontal Irradiance Estimation in an Arid Coastal Climate

　　

摘要

全球水平辐照度（GHI）的精确估计对于刻画测量基础设施有限地区的太阳能资源具有重要意义。本研究比较了六种机器学习模型——多项式岭回归、决策树、随机森林、XGBoost、人工神经网络和K近邻算法——在干旱沿海气候条件下以五分钟分辨率对GHI进行同步估计的表现。在质量控制并限定为日间时段后，共分析了45,024条观测数据，采用五个外部时间块和扩展窗口方案，生成了31,517个样本外估计值。XGBoost取得了最高的以及最低的RMSE（108.01 ± 13.67 W m），而随机森林则获得了更低的MAE、WMAPE和MASE值。DM–HAC敏感性分析显示，在七个评估带宽中的六个带宽下，平方误差损失函数更有利于XGBoost；而在绝对误差损失函数下，XGBoost与随机森林之间未发现显著差异。没有任何模型达到90%的名义一致性覆盖率；XGBoost表现出最高的实证覆盖率和最窄的预测区间（PICP = 0.791；PINAW = 0.312）。预测变量集缩减提高了六种算法中四种的性能。总体而言，XGBoost和随机森林表现出互补的性能特征，表明模型选择应同时考虑预测精度、时间稳定性、预测变量敏感性和不确定性。