混合双向长短期记忆网络–门控循环单元框架用于现代电力系统中的太阳能预测

《International Transactions on Electrical Energy Systems》：Hybrid Bi-LSTM–GRU Framework for Solar Energy Forecasting in Modern Power Systems

　　

太阳能辐照度具有间歇性与随机性特征，给光伏(PV)系统与现代电网的运行韧性、稳定性及可靠性带来显著挑战。随着大规模光伏装机渗透率提高，准确的太阳能功率预测已成为维持电网平衡、优化能量调度和提升系统效率的关键。研究人员提出一种混合双向长短期记忆网络(Bi-LSTM)–门控循环单元(GRU)架构用于可再生能源接入电力系统中的太阳能预测，以其精度优势为出发点。该混合架构利用Bi-LSTM层在时间序列中学习目标与生成数据的前后向关系，GRU层则通过缓解梯度消失问题改善序列表示并加快收敛。模型在澳大利亚拉筹伯大学UNISOLAR数据集上训练与测试，该数据集提供大规模光伏生成及气象参数时序测量值。研究人员与多种基线模型进行综合评估，所提Bi-LSTM–GRU混合架构持续表现出更优预测精度与鲁棒性，取得均方根误差(RMSE)为0.298、平均绝对误差(MAE)为0.287、平均绝对百分比误差(MAPE)为0.033。结果表明，该模型可有效捕捉太阳能数据中固有的复杂非线性时间依赖与辐照度变异性，从而支持更准确的短时预测与自适应电网管理策略。

研究背景方面，现代电力系统中可再生能源快速渗透，太阳能光伏(PV)因资源丰富、成本下降而成为替代化石能源的重要方向。但太阳辐照度受大气因素与时间波动影响，呈现非线性、非平稳和随机性，使传统统计模型如自回归滑动平均(ARMA)、自回归积分滑动平均(ARIMA)以及物理数值天气预测(NWP)方法在短时预测中面临非线性建模能力不足、计算成本高、对天气输入敏感等问题。机器学习方法如支持向量回归(SVR)、随机森林可捕捉部分非线性，但特征工程负担重且长期时间特征弱。长短期记忆网络(LSTM)与门控循环单元(GRU)等循环神经网络(RNN)能建模长期依赖，但单独使用仍在精度、计算效率与泛化之间受限。因此，研究人员开展混合Bi-LSTM–GRU框架研究，以兼顾双向时间建模与计算效率，服务实时智能电网应用。该研究发表于《International Transactions on Electrical Energy Systems》。

关键技术方法上，研究人员采用拉筹伯大学UNISOLAR数据集，涵盖五座校园约2020年1月至2022年4月、15分钟频次的光伏与气象数据；按时间顺序划分为训练集70%、验证集10%、测试集20%以避免前视偏差；数据清洗后做特征提取，包含辐照度、温度、湿度、风向、周期时间与节假日等，并进行最小最大缩放、周期编码与独热编码；模型由128单元Bi-LSTM层与64单元GRU层堆叠，Adam优化器、学习率0.001、批量64、训练100轮；以RMSE、MAE、MAPE作评价指标并与Bi-GRU、GRU–CNN、SA–Bi-LSTM–Bi-GRU等基准比较。

研究结果部分，2 方法论中研究人员构建含光伏、风电、水电、火电、气电与AI预测数据中心的智能可再生能源系统架构，提出Bi-LSTM–GRU混合模型：Bi-LSTM用前向与后向隐藏状态分别记为与后向，拼接为组合隐藏表示h_t，以同时利用过去与未来上下文；GRU用更新门z_t与重置门r_t减少参数并缓解梯度消失；输出层经全连接层映射为预测光伏功率y_t。数据预处理表明UNISOLAR原始87360样本、无缺失与重复、36个异常、清洗后87342样本，最终形成时间步、特征与样本实例的3D矩阵。

3 结果分析中，3.1 数据集信息说明UNISOLAR由La Trobe Energy AI/Analytics Platform (LEAP)发布，含全球水平辐照度(GHI)、直接法向辐照度(DNI)、漫射水平辐照度(DHI)等，实验平台为Intel 2.6 GHz CPU、32 GB内存与NVIDIA GeForce RTX 2080 GPU，单次训练约16分钟，推理轻量。3.2 模型架构与训练配置确认Bi-LSTM 128单元、GRU 64单元、Adam、学习率0.001、100轮、批量64。3.3 实际数据对比提出模型显示预测曲线紧贴实测，峰谷与陡变跟踪好；消融研究中独立GRU能跟趋势但在峰值与过渡区误差更大，证明双向时间建模必要。3.4 对比分析显示Bi-LSTM–GRU在陡坡与突变区段无相位滞后，RMSE 0.298、MAE 0.287、MAPE 0.031；表中Bi-LSTM为MAPE 0.029、MAE 0.333、RMSE 0.494，GRU为MAPE 0.023、MAE 0.321、RMSE 0.491，Bi-GRU、GRU–CNN、SA–Bi-LSTM–Bi-GRU误差更高且推理更慢，说明该混合框架在精度与计算开销间更平衡。

讨论部分指出，该文未做Diebold–Mariano等正式显著性检验，性能提升应作为模型间比较而非统计确证；未来可加入云量等更多气象变量，引入注意力机制、基于Transformer架构与统计显著性检验以完善框架。研究结论部分翻译为：本文提出一种结合双向长短期记忆网络(Bi-LSTM)与门控循环单元(GRU)的混合深度学习模型，用于可再生能源接入智能电网中的太阳能短时预测；该架构融合Bi-LSTM的双向时间学习能力与GRU的高效序列状态表示，可有效学习光伏系统发电的非线性时间关系与变异性。基于UNISOLAR数据集并与多种前沿基准模型按RMSE、MAE、MAPE评估，实验表明所提模型在预测精度与鲁棒性上更优，既能捕捉长期趋势也能跟踪短时波动。其计算高效、泛化能力强，适用于实时能量管理、最优功率调度、电网稳定与可再生能源并网。需注意比较仅基于标准预测指标，未做正式统计显著性检验，因此文中性能改进应视为模型比较而非估计确证。未来工作将加入温度、湿度、云量、风速等气象变量，并探索注意力机制、基于Transformer架构及Diebold–Mariano检验以验证和改进预测框架。