利用SHAP-RFE-MCCV特征选择和深度学习技术，对自清洁纳米涂层屋顶光伏系统及传统屋顶光伏系统进行次日电力预测

《Energy and Buildings》：Day-ahead power forecasting of self-cleaning nanocoated and conventional rooftop PV systems using SHAP-RFE-MCCV feature selection and deep learning

准确预测屋顶光伏系统的日发电量对电网管理和能源交易至关重要。本研究通过对比纳米涂层与常规光伏系统的预测性能，发现纳米涂层使累计发电量提升4.65%，但高功率波动会略微增加预测误差。基于SHAP值的递归特征消除-MCCV交叉验证框架，成功将输入特征维度压缩超90%而保持模型精度（R2＞0.92）。对比分析表明，DNN模型表现最优（R2达0.9496），LSTM次之，而1D CNN与双流模型（CNN-BiLSTM/CNN-BiGRU）则在特定场景下更具适应性。该研究为智能电网中纳米涂层光伏系统的集成提供了理论支撑和实践指导。

　　

王明阳|罗文权|杨金雷|向长英

香港科技大学综合系统与设计系，中国香港特别行政区

摘要

对屋顶光伏（PV）系统进行准确的次日功率预测对于电网运行、能源交易和智能建筑管理至关重要。虽然自清洁纳米涂层可以通过减少灰尘沉积和保持光学透明度来提高PV能量产量，但它们对预测性能的影响尚未得到充分研究。本研究使用五种深度学习架构（DNN、LSTM、1D CNN、CNN-BiLSTM和CNN-BiGRU）来探讨涂有纳米涂层和传统屋顶PV系统的次日预测行为。开发了一种基于SHAP的递归特征消除与蒙特卡洛交叉验证（SHAP-RFE-MCCV）框架，以从数百个滞后气象和功率变量中识别最相关的特征。结果表明，与未涂层系统相比，涂有纳米涂层的PV系统在51天内的净累计功率增益为4.65%，相当于平均每天增加4.71%。这一时期涵盖了用于预测的整个数据集，能够代表性地评估在不同辐照条件下的涂层效益。虽然涂层提高了能量产量，但更剧烈的功率变化导致预测误差略有增加，反映了预测难度的略微提高。在各种模型中，DNN始终表现出最高的准确性（R2：0.9289–0.9496；MAE：0.7051–0.8148），LSTM也显示出有竞争力的预测能力。SHAP-RFE-MCCV框架有效地将输入维度降低了90%以上，同时保持了模型之间的高预测准确性（R2 > 0.92）。研究表明，纳米涂层不仅提高了能量生成，还改变了功率的时间模式和可预测性。所提出的特征选择方法为高维PV预测提供了一种高效、可解释的解决方案，并为将屋顶PV系统整合到智能电网应用中提供了见解。

引言

对煤炭、石油和天然气等传统能源的过度依赖导致了大量的温室气体排放，加速了全球气候危机[1]。作为回应，全球电力行业正在向可再生能源转型[2]，太阳能因其丰富性、可获得性和分散式发电的潜力而被广泛采用。光伏（PV）技术已成为太阳能转化为电能的主要解决方案[3]。屋顶PV系统利用建筑物屋顶产生本地绿色电力，具有降低电力成本、减轻电网负荷、最小化土地使用和减少温室气体排放等优点[4]。然而，由于灰尘和空气污染物等表面污染物的存在，维持屋顶PV模块的最佳效率仍然具有挑战性，这些污染物会降低入射太阳辐射和面板性能[5]、[6]、[7]。

为了解决这些问题，自清洁纳米涂层作为一种被动方法出现，用于保持表面清洁并提高PV性能。这些涂层通常由疏水或光催化纳米材料制成[8]。通过雨水或环境湿度促进污垢的去除，它们有助于保持足够的光线透过率，确保PV面板的高效运行。多项研究表明，纳米涂层PV面板的性能更优。Thongsuwan等人[9]在泰国清迈的户外面板上应用了火花沉积的TiO?薄膜，观察到平均功率比未涂层面板增加了6.62%。Tayel等人[10]在PV模块上测试了疏水PDMS/SiO?纳米涂层40多天，报告称灰尘积累减少了57%，效率提高了30.7%。Ahmed等人在埃及进行了户外实验，发现带有自清洁纳米涂层的PV面板峰值功率增加了65.2%，效率提高了4%以上。

尽管纳米涂层的能量增强效果已得到广泛研究，但它们对屋顶PV系统预测准确性的影响仍很大程度上未得到探索。精确的短期太阳能量预测对于电网运行、能源交易和智能建筑管理系统至关重要[12]。深度学习技术因其捕捉非线性和时间模式的能力而被广泛用于PV预测[13]。Torres等人[14]证明，前馈深度神经网络（NN）在大学屋顶PV系统的次日预测中优于基于模式序列的预测（PSF）和传统NN模型。Dinesh等人[15]使用循环神经网络（RNN）模型对校园屋顶PV安装进行了15分钟前的功率预测，实现了0.038–0.098的标准化平均绝对误差（nMAE）值。Kaur等人[16]开发了一个贝叶斯双向长短期记忆（BiLSTM）框架，用于300个屋顶PV系统的日内预测，获得了0.9488的高相关系数。He等人[17]引入了一种集成卷积神经网络（CNN）-BiLSTM算法，用于中国一个建筑安装的短期能量预测，其RMSE为0.056，优于单独的CNN和BiLSTM模型。Akhter等人[18]提出了一种结合Salp Swarm算法（SSA）-RNN-LSTM模型，用于大学屋顶PV系统的下一小时能量预测，其RMSE、MSE和R2均优于标准RNN-LSTM模型。Khan等人[19]开发了一种深度堆叠集成-XGBoost（DSE-XGB）模型，结合了人工神经网络（ANN）和LSTM，将多时段屋顶PV预测的R2提高了10–12%。

尽管取得了这些进展，现有的基于深度学习的预测研究主要集中在未涂层的屋顶PV系统上。然而，自清洁纳米涂层模块可能表现出不同的行为，例如减少污垢变化、更稳定的光学透明度和改变的功率模式[20]。这些效应可能会影响模型训练、特征相关性和整体可预测性。到目前为止，还没有先前的研究探讨过这些涂层如何影响不同条件下的预测精度、特征重要性和泛化能力。

PV预测的另一个挑战是依赖于高维特征集，通常涉及大量的滞后天气和功率变量[21]、[22]、[23]。虽然有效，但这会增加训练成本和过拟合的风险。因此，实际的特征选择对于减少冗余和提高模型泛化能力至关重要[24]。然而，有限的研究提供了可解释和可靠的特征选择方法，现有方法往往缺乏透明度或未能在预测准确性和计算效率方面进行评估。

为了解决这些不足，本研究使用深度学习模型和一种新颖的可解释特征选择方法，探讨了带有和不带有自清洁纳米涂层的屋顶PV系统的次日功率预测。我们提出了一种基于SHAP的递归特征消除与蒙特卡洛交叉验证（SHAP-RFE-MCCV）方法，从众多滞后特征中选择最相关的特征。主要贡献包括：

(1)

比较了涂有纳米涂层和未涂层屋顶PV系统的预测性能，揭示了纳米涂层对模型可预测性的影响。

(2)

开发了一种新颖的SHAP-RFE-MCCV特征选择框架，结合了可解释性、鲁棒性和效率。

(3)

在两种PV系统上训练和评估了五种深度学习框架（DNN、LSTM、1D CNN、CNN-BiLSTM和CNN-BiGRU），提供了关于模型对不同表面适应性的见解。

(4)

使用真实的实验PV功率和气象数据进行验证，以确保实际应用性。

本研究的结构如下。第2节详细介绍了实验设计和数据预处理。第3节描述了方法论，包括功率生成增强计算、特征选择、预测算法和评估标准。第4节报告了实验结果、特征重要性解释、模型性能比较和计算效率评估。第5节总结了关键结论，第6节概述了局限性和未来研究方向。

实验设计和数据来源

实验设计和数据来源

在香港Rhythm Garden的两栋相邻建筑上部署了两个屋顶PV系统，它们的安装方向、环境条件、容量和模块类型相同（22.337373°N，114.202387°E）。如图1所示，用红色圆圈标记的建筑代表实验组，其PV模块涂有自清洁纳米涂层，而黄色三角形表示对照组，未进行涂层处理。每个系统都连接了独立的逆变器

方法论

本研究采用的方法论框架如图4所示。它概述了整个工作流程，包括原始数据收集、预处理、特征选择、模型训练以及涂有纳米涂层和未涂层PV系统的性能评估和比较。

涂有纳米涂层和未涂层PV系统的实验功率输出

如2.1节所述，记录了2025年3月1日至25日的基线时期，此时两个屋顶PV系统均未使用自清洁纳米涂层。该基线用于在涂层应用前校正两个系统之间的任何固有发电差异。为了量化涂层带来的实际改进，使用相关框架比较了基线时期（3月1日至25日）和涂层后时期（3月26日至5月15日）的累计发电量

结论

本研究探讨了自清洁纳米涂层对屋顶PV系统次日功率预测性能的影响，并提出了一种可解释的特征选择框架（SHAP-RFE-MCCV），该框架结合了五种深度学习架构（DNN、LSTM、1D CNN、CNN-BiLSTM和CNN-BiGRU）。主要发现包括：

(1)

在涂层后的51天内，涂有纳米涂层的PV系统显示出4.65%的净累计能量增益，相当于平均每天增加4.71%。

局限性和未来工作

尽管本研究展示了自清洁纳米涂层提高屋顶PV性能的潜力，并研究了其对预测行为的影响，但仍应承认几个局限性。

首先，实验在特定气候条件的单一地点进行了较短的时间（51天），这可能会限制模型的泛化能力和SHAP-RFE-MCCV特征选择方法的鲁棒性。模型的性能可能会因地区而异

CRediT作者贡献声明

王明阳：撰写——原始草稿、可视化、方法论、数据整理、概念化。罗文权：撰写——原始草稿、可视化、数据整理。杨金雷：撰写——审稿与编辑、监督。向长英：撰写——审稿与编辑、监督、项目管理、方法论、资金获取、概念化。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述的工作。

致谢

本研究是“用户需求侧灵活零碳HKUST GZ-CWB校园的适应性设计”项目（项目ID：RG306）的一部分，该项目得到了香港科技大学和广东省科技部的支持。作者衷心感谢香港科技大学和广东省科技部的支持。