基于回归机器学习模型的高海拔环境全球水平辐照度预测

《Frontiers in Artificial Intelligence》：Predicting global horizontal irradiance using regression-based machine learning models in high-altitude environments

　　

摘要专业翻译 全球太阳辐射是地球能量平衡的基本组成部分，在将可再生能源整合到电力系统中发挥着关键作用。然而，其显著的变异性，尤其是在高海拔地区，制约了能源稳定性并使规划过程复杂化。本研究评估了基于回归和机器学习模型在秘鲁胡利亚卡（Juliaca，海拔>3,800米）进行提前1天全球水平辐照度（Global Horizontal Irradiance，GHI）预测的性能，使用了11年（2010–2020年）的NASA POWER逐日数据（清洗后样本量n = 4,000；按时间顺序80/20划分训练/测试集：训练期为2010–2018年，测试期为2018–2020年）。在数据审计过程中，研究人员识别出同日晴空指数（KT）通过地外辐射项与同日GHI存在代数关联，这将人为膨胀表观预测精度。因此，研究人员将同日预测因子限制为周期性太阳几何项，并使用前1–3天的滞后比湿、晴空指数和辐照度值作为合法的自回归信息。在此无泄漏设计下，线性回归（Linear Regression）取得了最佳性能（R2 = 0.390，MAE = 0.677 kWh m?2d?1，RMSE = 0.896 kWh m?2d?1），以微弱优势优于梯度提升（Gradient Boosting，R2 = 0.384）和多项式回归（Polynomial Regression，R2 = 0.381）。随机森林（Random Forest）和浅层神经网络紧随其后，六种模型均表现出高度相近的性能。随机森林模型的特征重要性和SHAP分析表明，前一日辐照度和前一日（滞后1天）湿度是主导预测因子。这一模式可能与短期持续性云过程一致；然而，需要云观测数据来直接验证这一解释。本研究获得的适度但真实的解释力，以及实现该解释力所采用的诊断程序，为在利用晴空指数衍生预测因子的太阳辐射预测研究中检测和避免未充分报告的数据泄漏风险提供了模板。

论文解读文章

一、研究背景与问题

全球能源转型已成为应对气候变化和环境退化的核心议题，太阳能作为最具战略意义的可再生能源之一，其开发利用对于实现电力部门脱碳目标至关重要。然而，太阳辐射固有的间歇性和变异性给电网稳定运行和能源规划带来了显著挑战。准确预测太阳辐射，尤其是全球水平辐照度（Global Horizontal Irradiance，GHI），是优化智能电网运行、保障供电可靠性的关键前提。

现有研究大多聚焦于低海拔和中海拔地区，对高海拔条件下模型性能的理解存在明显不足。高海拔环境具有空气密度低、紫外辐照度高、对流性云动力过程复杂等独特特征，这些因素显著改变了大气辐射传输过程。秘鲁安第斯山脉地区兼具高太阳辐射潜力和极端环境条件，是开展此类研究的理想场所，但该区域的预测性表征长期缺乏。

在方法层面，传统经验模型和统计模型在表征复杂大气动力学方面存在局限，而机器学习方法通过整合多气象变量和捕捉非线性关系，展现出改善预测性能的潜力。然而，一个被广泛忽视的方法论隐患是预测因子的数据泄漏问题——即预测因子与目标变量之间存在代数恒等关系，导致表观预测精度被人为膨胀，掩盖了模型的真实泛化能力。

二、研究目的与核心问题

本研究旨在回答以下研究问题：在仅使用预报发布时可得预测因子的条件下，六种回归和机器学习模型能够在多大程度上预测秘鲁胡利亚卡站点的次日逐日全球水平辐照度？在无泄漏设计下，哪种模型具有最优的样本外性能？

本研究的核心创新贡献在于方法论层面：识别出同日晴空指数（K_T）预测因子通过地外辐射项与目标辐照度存在代数关联，量化了由此导致的表观精度膨胀效应（仅含同日K_T和年积日的双变量模型即获得R² = 0.95），并提出了一套可推广至其他基于晴空指数预测研究的泄漏控制预测因子筛选程序。

三、关键技术与方法

研究人员使用NASA POWER卫星数据集，获取秘鲁胡利亚卡站点（南纬15.488°，西经70.149°，海拔>3,800米）2010–2020年共11年的逐日气象与太阳辐射数据。原始数据含4,018条逐日记录，去除15条重复日历日期条目后保留4,003条，经滞后预测因子构造后最终分析样本为4,000条观测。数据按时间顺序以80/20比例划分训练集（2010–2018年，n = 3,200）和测试集（2018–2020年，n = 800）。

研究采用的关键技术方法包括：数据审计与泄漏控制框架，识别并排除了同日晴空指数和同日向下热红外辐射通量（DTI）两个存在目标泄漏风险的预测因子；最终预测因子集包含滞后1–2天比湿（QV2M_lag1、QV2M_lag2）、滞后1–3天辐照度（SII_lag1、SII_lag2、SII_lag3）、滞后1–2天晴空指数（KT_lag1、KT_lag2）以及周期性太阳几何项sin(年积日)和cos(年积日)。模型构建方面，评估了六种模型：线性回归、多项式回归、随机森林、梯度提升、单隐层神经网络和双隐层神经网络。超参数通过仅应用于训练集的三折时间序列交叉验证（TimeSeriesSplit）网格搜索确定。模型评估采用MAE、RMSE、MAPE、SMAPE和R²五项指标，并辅以特征重要性分析、置换重要性分析、SHAP分析、学习曲线和Taylor图等多维诊断工具。

四、研究结果

相关性分析与泄漏识别。 皮尔逊相关矩阵显示，向下热红外辐射通量（DTI）与太阳辐照度（SII）之间存在近完美相关（r = 0.989），表明两变量存在严重信息冗余。皮尔逊与斯皮尔曼系数的一致性（r_s = 0.986）排除了非线性关系假象的可能。比湿（QV2M）与晴空指数（K_T）呈中等负相关（r = ?0.67），与SII仅呈弱负相关（r = ?0.13）。同日K_T由于在代数定义上直接包含目标变量SII，与年积日组合即可获得R² = 0.95的虚高预测精度，证实了泄漏风险的存在。

模型性能比较。 在无泄漏预测因子集下，线性回归取得最佳综合性能：MAE = 0.677 kWh m^?2d^?1，RMSE = 0.896 kWh m^?2d^?1，MAPE = 12.23%，SMAPE = 11.28%，R² = 0.390。梯度提升以R² = 0.384位居第二，随机森林和单隐层神经网络均为R² = 0.381，多项式回归为R² = 0.381，双隐层神经网络为R² = 0.372。六种模型的误差指标差异极小，R²区间仅为0.372–0.390，表明算法复杂度的提升并未带来有意义的预测增益。

特征重要性与可解释性分析。 随机森林的基于不纯度的特征重要性和基于测试集的置换重要性分析一致表明，前一日辐照度（SII_lag1）和前一日比湿（QV2M_lag1）是主导预测因子，而滞后晴空指数变量的贡献相对较小。SHAP分析进一步确认了SII_lag1和QV2M对个体预测的最大影响方向与幅度。

诊断与泛化分析。 观测值-预测值图和残差图显示，两种代表性模型对中间范围观测值的再现优于极端值，残差离散度表明部分逐日变异性仍未被现有预测因子解释。学习曲线分析显示，交叉验证MAE在训练样本约300天后趋于稳定，训练-验证误差间隙的持续存在表明增加同结构样本的边际收益有限。Taylor图和雷达图均确认六种模型占据紧凑区域，线性回归在综合相关性和变异性准则上最接近观测参考。

五、讨论与结论

本研究的核心发现是：一旦排除了目标衍生预测因子，简单线性模型即可与集成学习和神经网络方法保持同等竞争力。R²的窄区间（0.372–0.390）表明，合法预测因子集中可供模型复杂度挖掘的额外信息有限，这并非内在可预测性上限，而是当前变量集和预测设计下的实际局限。与既往研究报告的高R²值（如Demir 2025年报告的LSTM/Bi-LSTM模型R² = 0.97）的差异，主要归因于数据记录长度、时间分辨率、预测因子可用性和泄漏控制严格程度的差异，不可直接比较。

特征重要性模式与高海拔地区短期持续性云过程的物理机制一致：在3,800米以上海拔，大气柱缩短和气溶胶负荷降低限制了散射和吸收引入的逐日变异性，间歇性对流云覆盖成为主要变异来源，其效应可持续一至数天。然而，由于数据集缺乏直接云观测，该解释仍属合理推断而非确证结论。

研究结论：在无泄漏预测设计下，线性回归在秘鲁胡利亚卡高海拔站点取得最佳逐日GHI预测性能（MAE = 0.677 kWh m^?2d^?1，RMSE = 0.896 kWh m^?2d^?1，R² = 0.390），梯度提升和随机森林结果高度接近（R²分别为0.384和0.381）。模型选择应综合考虑可解释性、计算成本和预测精度。本研究的主要方法论贡献在于识别了同日晴空指数预测因子引入的泄漏风险，排除该信息后获得了更适度但更可信的样本外估计。未来研究应评估更多预报可得气象变量、地面测量数据、更长的时间记录和多个高海拔站点，以支持更广泛的操作性和地理泛化性结论。