使用序列经验人工神经网络（sequential empirical-ANN）模型减轻巴基斯坦中部和北部四个城市的卫星太阳辐射数据误差

《Scientific Reports》：Mitigating errors in satellite solar irradiation using a sequential empirical-ANN model for four cities across Central and Northern Pakistan

　　

摘要

准确预测全球水平辐照度（GHI）对于优化太阳能利用至关重要。基于卫星的数据集往往高估了GHI值，从而导致误差，影响了对太阳能资源的可靠评估。本研究提出了一种序贯建模方法，将新开发的经验模型与人工神经网络（ANN）相结合，以减少巴基斯坦四个城市（巴哈瓦尔普尔、伊斯兰堡、拉合尔和白沙瓦）卫星数据中GHI的误差。首先为每个城市开发了6个经验模型，然后将每个城市最佳模型的输出结果纳入ANN模型中。研究使用了能源部门管理援助计划（ESMAP）提供的地面测量数据以及NASA的全球能源资源预测（POWER）数据库中的卫星数据。通过温度、湿度、降水量、清晰度指数和天数等气象参数，建立了经验模型，并将其输出结果输入到ANN模型中。序贯经验-ANN（SE-ANN）模型的平均绝对百分比误差（MAPE）范围从巴哈瓦尔普尔的5.86%到拉合尔的17.09%，优于卫星数据的最大MAPE值（25.30%）。均方根误差（RMSE）和平均绝对误差（MAE）显著降低，巴哈瓦尔普尔的数值低至0.43千瓦时/平方米/天，而卫星数据的MAE为1.07千瓦时/平方米/天。该序贯模型使白沙瓦的卫星数据MAPE降低了36.95%，拉合尔降低了36.7%，巴哈瓦尔普尔降低了31.6%。在伊斯兰堡，经验模型M6的表现最佳，MAPE降低了17.6%。模型的R2值范围从拉合尔的0.78到巴哈瓦尔普尔的0.93。结果表明，SE-ANN模型相比纯卫星模型或经验模型提供了更准确且更具成本效益的替代方案，提高了数据稀缺地区的GHI预测可靠性，有助于更好的太阳能系统规划和管理。