AI驱动的日前可再生能源预测：盲预测与天气知情范式下的机器学习性能评估

《Next Energy》：AI-driven day-ahead renewable energy forecasting: Assessing machine learning performance under blind and weather-informed paradigms

　　

准确的日前可再生能源预测仍是现代能源系统中最具挑战性的问题之一，因为光伏发电和风力发电不受运行人员控制，而是受不确定的大气强迫作用支配。本文开发了一个完整的NASA POWER驱动的人工智能（AI）框架，用于在两种截然不同的运行假设下开展日前可再生能源功率预测。第一种情景是严格盲预测，仅可利用历史信息。第二种是天气知情预测，即在目标时刻引入日前气象预测因子作为代理天气预报输入。利用NASA POWER的小时级太阳辐照度、风速、温度和湿度数据，构建了光伏发电量、风力发电机发电量、电池荷电状态、持续性基线、滞后特征、残差校正预测、日能量预测以及基于学习的预测模型。研究人员对比了三种机器学习模型，即最小二乘提升（LSBoost）、随机森林装袋（random forest bagging）和神经网络回归，并与加权集成变体进行了比较。结果表明，仅靠历史信息不足以实现准确的小时级24小时超前预测，最优严格盲预测模型的判定系数（R²）为0.3551，均方根误差（RMSE）为445.50 kW。然而，当引入日前气象预测因子后，LSBoost模型的RMSE降至2.29 kW，R²达到0.99998。该天气知情结果应被解释为一种理想化的上界实验，而非可直接部署的业务化预测，因为目标可再生能源发电量是由相同的气象变量合成为构造数据，且使用的是已实现的目标小时NASA POWER变量，而非数值天气预报产物。这一对比不仅提高了精度，更揭示了可再生能源可预测性背后的物理原因。因此，气象信息是日前可再生能源功率预测的核心驱动因素。所提出的双情景策略为能源规划、微电网调度和电池感知的可再生能源管理提供了历史评估下界与天气知情基准上界。

论文解读

一、研究背景与问题

光伏和风电的大规模并网深刻改变了电力系统的运行方式。传统可调度机组可通过直接控制进行调度，而可再生能源出力受辐照度、风速、温度、湿度、云系演变及季节强迫等因素支配，这使可再生能源具有清洁、充裕优势的同时，也因其短期波动性给电网运行、储能调度和微电网能源管理带来了显著不确定性。2023—2026年间的多项研究表明，该问题已不仅是可再生能源自身的难题，更涉及数据、气象、人工智能和运行决策等多学科交叉领域。现有文献可归纳为四个主题：光伏功率预测、风电功率预测、混合人工智能模型以及天气知情预测。尽管已有大量研究报道了高精度预测结果，但一个关键缺口依然存在——许多研究未清晰区分两种本质不同的预测情景：仅利用历史数值预测未来，以及在目标时段获取天气信息后预测未来。前者是盲自回归问题，后者则是从未来大气状态到未来可再生能源出力的天气知情映射。这两类情景在信息结构上有着本质差异，当前研究正聚焦于这一空白，在同一NASA POWER驱动的可再生能源管道中对两种情景进行系统评估。

二、研究内容与结论

研究人员开发了一套完整的NASA POWER驱动的可再生能源预测框架，以阿尔及利亚干旱地区某单一场址为案例，利用2021—2024年逐小时辐照度、风速、温度和湿度数据，构造了光伏发电、风电、总可再生能源出力、负荷需求及电池荷电状态等物理可解释的合成能源系统。研究提出双情景日前预测策略：严格盲预测情景和天气知情预测情景，并在此基础上拓展了残差校正预测与日能量预测分支。研究发现，严格盲预测情景下，随机森林装袋模型取得最优盲预测性能，RMSE为445.50 kW，R²为0.3551，表明历史信息虽然包含一定规律，但远不足以支撑高精度的小时级24小时超前预测。残差校正策略未能改善盲预测表现；日能量聚合虽将随机森林模型R²提高至0.4537，但仍远低于0.8的目标阈值。相比之下，天气知情情景下LSBoost模型获得了RMSE=2.29 kW、R²=0.99998的近乎完美性能。研究人员强调，这一结果应被解读为理想化的上界基准而非业务化预测精度，因为目标可再生能源出力本身就是由同一组气象变量通过确定性物理方程构造而成，且使用的事后实现的NASA POWER变量而非数值天气预报产品。该研究最重要的发现并非某个模型达到极高性能，而是盲预测与天气知情预测之间存在的数量级差距——这一差距量化了气象预报信息对日前可再生能源调度的价值。该双情景框架发表于《Next Energy》，为能源规划、微电网调度和电池感知的可再生能源管理提供了历史评估下界与天气知情基准上界。

三、主要技术方法

本研究采用的主要技术方法包括：基于NASA POWER逐小时气象数据构造可再生能源出力物理模型，其中光伏模型采用温度修正效率方程，风电模型采用垂直风廓线幂律外推与功率曲线约束；构建严格盲预测与天气知情预测双情景特征矩阵，前者仅含滞后可再生功率、气象历史、电池荷电状态、日历特征及滚动统计量，后者在盲特征基础上叠加目标小时气象预测因子；采用三种机器学习模型——最小二乘提升（LSBoost）、随机森林装袋（Random Forest）和神经网络回归（NN），并构建基于验证集逆误差加权的加权集成模型；使用RMSE、MAE、R²、平均归一化nRMSE、容量归一化nRMSE和sMAPE六项指标评估。样本队列来源为NASA POWER点API数据接口，场址位于阿尔及利亚（27.1935°N，2.4607°E）。

四、研究结果

6.1 总体数值结果：表1汇总了完整对比结果。持续性基线给出RMSE=515.82 kW和R²=0.1354。严格盲小时预测中，随机森林装袋取得最优盲性能（RMSE=445.50 kW，R²=0.3551），证实了历史模式的有限价值。残差校正分支未改善盲预测，最优残差模型R²仅为0.1872。盲日能量分支提升有限，随机森林日模型R²=0.4537，仍远低于0.8目标。天气知情情景下LSBoost获得RMSE=2.29 kW、R²=0.99998，与盲预测形成数量级对比。

6.2 图形分析：图2展示了NASA POWER逐小时气象变量；图3展示了十四天可再生能源出力窗口；图4展示了可再生出力、负荷行为与电池荷电状态；图5为严格盲小时预测结果，模型仅能跟踪部分趋势，显著偏差源于次日天气未知；图6为盲残差校正预测，残差校正无法弥补缺失的气象信息；图7为天气知情预测，预测与真实曲线几乎重合，反映理想化上界重构行为；图8和图9分别为盲预测实际—预测散点图及残差散点图，宽分散带证实盲预测能力有限；图10为天气知情散点图，近对角线分布确认气象预测因子的支配作用；图11为误差经验累积分布对比，天气知情情景大幅压缩误差分布；图12采用折线标记的指标对比；图13为对数刻度下RMSE对比，天气知情模型与盲模型相差多个数量级；图14为R²对比，盲预测未达0.8目标，天气知情学习远超目标；图15为盲日能量预测，能量聚合提升平滑性但未根本解决天气信息缺失问题；图16为相对24小时持续性基线的预测增益，天气知情模型增益最大。

五、结论

讨论部分指出，严格盲小时预测的低R²不应被视为人工智能的失败，而是揭示了模型在无法获知次日气象条件时预测辐照度和风速驱动出力的物理局限。残差校正没有解决问题，因为持续性误差本身受天气变化控制；日能量聚合改善了稳定性但仍低于目标。天气知情情景的近乎完美性能是物理合理的，因为光伏和风电本就是辐照度、温度和风速的直接函数，但该结果必须被诚实解读——实际部署中需以数值天气预报作为输入。研究结论为：本文提出了NASA POWER驱动的AI框架，用于盲预测和天气知情假设下的日前可再生能源预测。严格盲情景展现了现实但有限的精度，随机森林装袋取得最优小时盲预测（RMSE=445.50 kW，R²=0.3551），残差校正和日能量聚合均未达R²=0.8阈值。对比之下，天气知情LSBoost模型获得RMSE=2.29 kW和R²=0.99998。该值并非业务化预测精度，而是在目标小时气象变量事后已知且目标变量由相同物理驱动力构造条件下的理想化上界结果。这一提升证明目标小时气象信息是日前可再生功率可预测性的核心驱动因素。所提出的双情景框架的价值在于，它将"仅凭历史可学到什么"与"具备日前气象预测因子后可能达到什么"清晰地分离开来。未来工作将用业务化数值天气预报替代代理目标小时NASA POWER变量，并在实测场站级光伏、风电和电池数据集上验证该框架。