基于CNN-BiLSTM模型和多源气象数据耦合的屋顶可用光能容量的时空预测

《Scientific Reports》：Spatio-temporal prediction of roof available light energy capacity based on CNN-BiLSTM model and multi-source meteorological coupling

　　

摘要

随着分布式光伏发电技术的迅速发展，屋顶可利用光照资源已成为城市可再生能源规划和电网调度的重要依据。为了解决现有方法中多源气象信息融合不足以及时空特征提取不充分的问题，本文提出了一种结合卷积神经网络（CNN）与双向长短期记忆网络（BiLSTM）的混合预测模型，该模型能够融合多源气象数据与屋顶几何形状信息。实验结果表明，CNN-BiLSTM模型在经过80次迭代后，准确率达到96.3%，召回率达到95.2%；平均绝对误差（MAE）和平均绝对百分比误差分别降至0.58千瓦和5.3%，显著优于对照模型。在六种不同天气条件下，该模型的MAE始终保持在0.43–0.73千瓦的范围内，尤其是在多云或阴天等辐射变化剧烈的情况下表现更为出色。在实际光伏项目应用中，该模型对六个真实场景的年发电量预测误差控制在±3.1%以内，优于常用的PVGIS工具（误差范围可达±12.4%）。研究结果表明，CNN-BiLSTM模型在预测准确性和收敛速度方面均优于其他模型，并且能够很好地适应太原地区的复杂气象条件和实际应用场景。这些研究成果为评估城市分布式光伏资源、优化屋顶开发方案以及区域能源规划提供了有价值的技术参考。