预测太阳辐射：机器学习方法与相关性特征选择的比较

《IEEE Transactions on Power Delivery》：Predicting Solar Irradiation: A Machine Learning Comparison With Correlation Feature Selection

准确预测太阳能产量对优化光伏系统至关重要。本研究提出基于人工神经网络的预测方法，通过比较SVM、随机森林等模型，发现ANN模型在RMSE（25.92 W/m2）、MAPE（0.11%）和R2（0.9926）指标上表现最优，验证了动态因素下ANN的有效性及对光伏系统优化和电网稳定性的支持作用。

　　

摘要：

准确的太阳辐射产量预测对于优化电力生产和确定光伏（PV）发电系统的规模至关重要。随着公用事业规模的光伏安装日益普及，太阳辐射产量的不确定性要求使用可靠的预测模型。精确的预测能够提升能源市场交易效率，优化太阳能发电系统的性能，保障电网稳定性，并促进能源管理、财务规划、投资决策以及维护工作的顺利进行。本研究介绍了一种利用人工神经网络（ANN）进行太阳辐射产量预测的方法，探讨了多种ANN架构以确定最合适的结构，并将其性能与几种机器学习模型进行了比较。通过使用Spearman和Pearson相关性特征选择技术，我们确认所有输入特征对于准确预测全球水平辐照度（GHI）都是必不可少的。研究结果表明，表现最佳的ANN模型的均方根误差（RMSE）为25.92 W/m2，平均绝对偏差（MBE）为?1.55 W/m2，平均绝对百分比误差（MAPE）为0.11%，R平方值为0.9926。这一结果表明，我们的ANN模型显著优于其他模型（包括经过高度优化的随机森林模型，其RMSE为32.83 W/m2，R2值为0.988），从而证明了其在太阳辐射产量预测方面的优越性能。

对可再生能源的需求

全球对可再生能源需求的增加激发了人们对太阳能的极大兴趣，太阳能被认为是一种清洁且可持续的能源[1]。太阳能电池或光伏（PV）系统能够直接将太阳辐射转化为电能，已成为农村和城市电气化项目的热门选择[2][3]。然而，太阳能的波动性给电网的稳定性和系统可靠性带来了挑战。光伏系统的运行受到多种因素的影响，如太阳辐射、温度、电缆损耗、污染、灰尘沉积和遮挡等，这些因素都具有动态性和复杂性[4]。