**多气候可解释短期太阳辐照度预测:面向用户侧能源管理**

《Next Energy》:Explainable short-term solar irradiance forecasting across diverse climates for consumer-centric energy management

【字体: 大 中 小 】 时间:2026年09月18日 来源:Next Energy 6.4

编辑推荐:

  现代电力系统中太阳能并网规模的快速增长,增加了对可靠短期预测的需求,以支持高效运行与能源管理。全球水平辐照度(Global Horizontal Irradiance, GHI)的一小时前精确预测对负荷调度、储能管理和电网协调等应用尤为重要。本研究开发了一个可

  
现代电力系统中太阳能并网规模的快速增长,增加了对可靠短期预测的需求,以支持高效运行与能源管理。全球水平辐照度(Global Horizontal Irradiance, GHI)的一小时前精确预测对负荷调度、储能管理和电网协调等应用尤为重要。本研究开发了一个可解释的机器学习框架,用于印度不同气候条件下的一小时前GHI预测。研究人员考虑了来自NASA全球能源资源预测(NASA Prediction of Worldwide Energy Resources, NASA POWER)数据库的小时太阳辐照度与气象数据,涵盖四个地理和气候特征各异的地区:金奈(Chennai)、古瓦哈提(Guwahati)、斋浦尔(Jaipur)和西姆拉(Shimla),时间范围为2022年至2025年。预测目标被明确定义为下一小时(t + 1)的GHI值。系统化的特征选择流程将Pearson相关过滤与互信息排序相结合,以减少冗余并保留最具信息量的预测因子。候选预测因子空间经相关过滤后从41个数值特征减少到26个,随后经互信息排序进一步缩减至15个。研究采用时间感知建模策略,以2022–2024年的观测数据用于训练,2025年则专门保留用于独立测试。研究评估了六种预测模型,即岭回归(Ridge Regression)、支持向量回归(Support Vector Regression, SVR)、随机森林(Random Forest)、XGBoost、LightGBM和长短期记忆网络(Long Short-Term Memory, LSTM),并使用均方根误差(RMSE)、平均绝对误差(MAE)、决定系数(R2)和对称平均绝对百分比误差(sMAPE)进行评估。结果表明,集成模型在未见过的2025年测试期上提供了最强的总体性能。XGBoost取得了最低的测试RMSE,为67.49 W/m2,以及最高的R2,为0.9400;而随机森林取得了最低的测试MAE,为21.80 W/m2。LightGBM提供了可比的性能,测试RMSE为67.75 W/m2,R2为0.9396。特征组消融分析进一步证明了所选预测因子组的贡献。移除时间-周期组导致RMSE增幅最大,从66.460增加到70.905 W/m2,对应增加4.445 W/m2,其次是温度和GHI滞后-差分组。区域和季节分析进一步表明,该预测框架能够捕捉四个研究地点和不同季节条件下GHI的典型日变化特征。总体上,物理信息特征工程、系统化特征选择、对比模型评估和特征组消融相结合,为一小时前GHI预测提供了一个可解释的框架,并为可再生能源规划和能源管理应用提供了数据驱动的依据。
**可解释短期太阳辐照度预测研究解读**

**1. 研究背景与问题**

随着全球太阳能并网规模快速增长,太阳能的间歇性与不确定性对电力系统稳定运行和能源管理构成了显著挑战。精确的短期太阳辐照度预测,特别是全球水平辐照度(Global Horizontal Irradiance, GHI)的一小时前预测,是负荷调度、储能管理和电网协调等应用的关键支撑。然而,现有研究主要存在以下不足:其一,多数预测模型基于单一地点或单一气候区的数据集,模型的跨气候泛化能力受限;其二,研究普遍侧重预测精度的提升,而对模型可解释性与可解释性关注不足,这限制了模型在电力系统实际运行中的部署;其三,能够降低输入维度同时提升性能的系统化特征选择策略,尤其在多气候预测场景下,仍缺乏充分探索。为此,该研究旨在开发一个可解释的机器学习框架,在印度四种不同气候条件下实现小时级GHI预测,为可再生能源规划和用户侧能源管理提供数据驱动依据。

**2. 研究内容与意义**

研究人员利用NASA全球能源资源预测(NASA POWER)数据库2022—2025年逐时太阳辐照度与气象数据,选取金奈、古瓦哈提、斋浦尔和西姆拉四个气候类型各异的城市,构建了一小时前(t+1)GHI预测任务。研究通过特征工程构建了包含时间、周期、滞后、滚动统计和物理比率等信息的候选特征集,结合Pearson相关过滤与互信息(Mutual Information, MI)排序,将预测因子从41个缩减至15个。采用2022—2024年训练、2025年独立测试的时间感知策略,系统评估了岭回归、支持向量回归(SVR)、随机森林、XGBoost、LightGBM和长短期记忆网络(LSTM)六种模型。结果显示,XGBoost在独立测试集上表现最优,测试均方根误差(RMSE)为67.49 W/m2,决定系数(R2)为0.9400;特征组消融分析表明时间-周期信息贡献最大,移除后RMSE增加4.45 W/m2;区域与季节分析显示模型在四种气候区均能有效捕捉GHI日变化规律。该研究的理论意义在于建立了多气候条件下可解释短期辐照度预测的系统框架,实践意义在于为电池储能调度、负荷管理、需求响应和微电网能量平衡等用户侧能源管理应用提供了可靠的一小时前辐照度预测输入。

**3. 主要关键技术方法**

研究数据来源于NASA POWER数据库(2022年1月至2025年12月),覆盖印度四个气候区城市:金奈、古瓦哈提、斋浦尔和西姆拉。关键技术包括:(1) 特征工程:提取时间周期性、滞后、滚动统计、交互作用及物理比率等衍生特征;(2) 特征选择:依次进行Pearson相关过滤(阈值|ρ|>0.90)和互信息排序,最终保留15个预测因子;(3) 模型对比:采用RMSE、平均绝对误差(MAE)、R2和对称平均绝对百分比误差(sMAPE)评估六种模型性能;(4) 特征组消融分析:逐组移除特征以量化各组对预测的贡献;(5) 统计显著性检验:采用Friedman检验及Holm校正的Wilcoxon符号秩检验。

**4. 研究结果**

**4.1 GHI的时空特征**:通过对金奈、古瓦哈提、斋浦尔和西姆拉四个城市GHI的季节分布分析发现,夏季斋浦尔和金奈辐射水平较高,季风期各城市GHI普遍偏低且离散度增大,冬季多个地点中位数较低。这种时空差异促使研究保留全天观测(包括夜间GHI=0)以覆盖完整日循环。

**4.2 特征选择与预测因子关系**:基于训练数据(2022年1月至2024年12月)的互信息分析显示,小时时刻是信息量最大的预测因子(MI≈0.996),小时余弦表征、一小时GHI变化及一小时滞后GHI也提供重要信息。相关过滤将特征从41个缩减至26个,互信息排序进一步确定15个最终预测因子。该过程未使用2025年测试数据。

**4.3 总体模型性能**:在独立2025测试期,XGBoost取得最低RMSE(67.49 W/m2)和最高R2(0.9400);随机森林MAE最低(21.80 W/m2);LightGBM性能接近。集成模型整体优于岭回归、SVR和LSTM。sMAPE受夜间GHI接近零影响较大,因此以RMSE、MAE和R2为主要比较指标。

**4.4 区域与季节性能分析**:斋浦尔预测表现最佳,RMSE为35.09 W/m2,R2达0.990;古瓦哈提RMSE和MAE相对较高;西姆拉R2为0.979。季节分析显示,季风后季节预测误差普遍较低,而冬季所有城市RMSE最高(112.52—116.21 W/m2),尤其西姆拉和古瓦哈提R2降至0.765和0.795,表明冬季辐照度可预测性下降。

**4.5 预测性能与分析**:代表性时间窗口显示,预测GHI曲线能较好跟随日出上升、白天峰值和日落下降的日循环,稳定天气条件下吻合度高,而季风和季风后等大气变化剧烈时期偏差增大。实际-预测散点图显示观测值围绕1:1线分布。Friedman检验(χ2=65,213.858,p<0.001)和Holm校正后的Wilcoxon成对检验均表明XGBoost的预测误差显著低于其他模型(p<0.001)。

**4.6 特征组消融分析**:以15特征完整配置为基线(RMSE为66.46 W/m2),逐组移除特征。移除时间-周期组影响最大,RMSE增加4.45 W/m2,MAE增加5.64 W/m2;移除温度组使RMSE增加2.08 W/m2;移除GHI滞后-差分组使RMSE增加1.11 W/m2。其余组(DNI–DHI滞后、GHI滚动统计、湿度)移除后误差也有小幅增加,表明各特征组提供互补信息。

**5. 讨论与结论**

讨论部分指出,所提出的框架在完全独立的2025测试期表现出可靠的预测性能,特征选择与消融结果证明预测能力来自时间模式、近期辐照度行为和大气条件的综合表达,而非单一特征类型。从实际应用看,该一小时前预测可为电池储能充放电计划制定、需求响应中的负荷转移、微电网光伏-储能-负荷协调以及建筑能源管理提供短期辐照度信息,支持用户侧能源管理决策。

研究结论可译为:所提出的框架在金奈、古瓦哈提、斋浦尔和西姆拉展示了可靠的一小时前GHI预测,表明机器学习模型能够有效捕捉不同气候和季节条件下的短期辐照度变率。特征选择与消融分析强调了时间模式、近期辐照度行为和大气变率的重要性,统计显著性分析为模型间差异提供了进一步支持。区域和季节评估证明了框架在不同大气条件下的鲁棒性。从实践角度看,该一小时前预测可支持电池充放电、负荷调度、需求响应管理、微电网能量平衡和可再生能源并网。一个关键局限性在于研究依赖NASA POWER网格数据而非独立地面观测,因此报告的性能应相对于NASA POWER参考序列解读。未来工作将基于地面观测验证框架,并将其扩展至不确定感知和多步预测。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号