本研究通过综合数据分析和误差校正方法，提升了聚光太阳能电站的性能。通过整合光谱分析、热效率优化以及混合机器学习模型，该研究为提高运行效率和可靠性提供了可操作的策略，从而支持太阳能作为可持续能源的重要作用。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本研究通过综合数据分析和误差校正方法，提升了聚光太阳能电站的性能。通过整合光谱分析、热效率优化以及混合机器学习模型，该研究为提高运行效率和可靠性提供了可操作的策略，从而支持太阳能作为可持续能源的重要作用。
精确的太阳能发电预测对于可再生能源系统并网运行和操作稳定性至关重要。本研究提出一种混合深度学习集成方法，通过捕捉辐照度数据中复杂的时序依赖关系来预测太阳能发电量。共评估了五种混合架构：RF-BiLSTM、CNN-LSTM、CNN-BiLSTM、CNN-GRU 和 CNN-Transformer，每种架构均结合卷积或循环组件，以从历史时间序列中提取空间和时序特征。其中 RF-BiLSTM 模型表现最佳，R² = 0.6568，MAE = 30,728 W，MSE = 1.81 × 109 W2。通过采用逆 MAE 加权平均法集成表现最优的三种架构所构建的集成模型展现出更优性能，R² = 0.6933，MAE = 28,809.89 W，MSE = 1.53 × 109 W2，相较于最优单一模型预测误差降低了 6.2%。所提出的集成框架有效平衡了各模型优势，增强了预测鲁棒性，为智能电网和能源管理系统中的可再生能源预测提供了一种可扩展的数据驱动解决方案。
全球向可再生能源加速转型的趋势，使太阳能成为可持续能源结构中的关键来源。随着各国日益致力于实现能源系统的脱碳，太阳能光伏（PV）技术因其可扩展性、成本持续下降以及环境效益而实现了指数级增长。然而，太阳能的大规模并网给国家和区域电力系统带来了显著挑战，主要源于其发电的间歇性和对天气条件的依赖性。太阳辐照度受到多种环境因素的影响，包括云层覆盖、大气状况、季节变化以及昼夜循环，这些因素共同导致了太阳能发电的波动性和不确定性。这种固有的波动性加大了电网平衡和电力系统规划的难度。电网运营方必须准确预测太阳能发电量，以确保资源的最优配置，减少对化石燃料备用系统的依赖，避免基础设施的过载或利用率不足，并维持电网整体的稳定性。随着太阳能渗透率的不断提高，对强大、可靠且精确的预测模型的需求也愈发迫切。准确的短期和日前太阳能预测，对于参与电力市场、负荷调度、电池充放电计划以及微电网管理等应用尤为关键1。
传统的预测方法，如基于气象数据的物理模型和统计时间序列技术（例如 ARIMA、指数平滑法），在捕捉太阳能发电的非线性与动态特性方面往往表现不足。这些模型通常依赖于线性假设、人工设计的特征或详细的天气模拟，限制了其在太阳能数据变化模式下的可扩展性和适应性2。相比之下，深度学习（DL）模型已成为时间序列预测中的一种变革性方法。这类数据驱动的方法能够直接从原始输入数据中自动学习复杂的特征和时间依赖关系，而无....
访问受限。请登录或开始试用以查看此内容。
数据集的收集与描述
本研究所使用的数据集（图1）包含对太阳能发电预测至关重要的历史记录。该数据集来源于印度安得拉邦阿南塔普尔附近由Megha Engineering and Infrastructures Limited（MEIL）运营的一座50兆瓦（MW）槽式聚光太阳能热发电（CSP）电站的日常运行数据，该电站采用抛物面槽式聚光太阳能发电技术，通过捕获直接法向辐照度（DNI），并利用传热流体（HTF）将热量传递以发电。数据集的时间范围为2015年1月1日至2025年10月3日，包含七个关键属性，涵盖时间信息、太阳辐照度测量值以及发电输出。时间属性包括“日期”（以标准格式提供日历日期）、“年份”（表示数据采集年份）、“月份”（表示月份编号）、“日”（表示当月的日期）以及“儒略日”（提供全年连续的序数日编号系统，用于连续时间分析）。主要气象输入变量为“DNI SUM”，单位为kWh/m²，表示总的直接法向辐照度（DNI），即集热器表面每平方米接收到的累计太阳能，是影响CSP电站热转换效率的关键因素。目标变量“实际发电量”，单位为kWh，记录了CSP电站产生的电能输出，反映了太阳能—热能—电能转换过程的结果。这些属性共同支持对电站性能的全面分析，包括热效率测定、DNI到发电量的转换建模、通过频谱分析识别大气和云层覆盖的影响、实施零误差校正协议以校准传感器，以及开发先进的混合机器学习预测模型，以优化实时运行规划，提升CSP电站的整体效率....
访问受限。请登录或开始试用以查看此内容。
单个模型性能评估
采用一组全面的标准回归指标，包括 R²（决定系数）、平均绝对误差（MAE）和均方误差（MSE），对五种混合深度学习（DL）模型 RF-BiLSTM、CNN-GRU、CNN-BiLSTM、CNN-LSTM 和 CNN-transformer 的性能进行了评估，以严格检验这些模型在不同气象条件和时间依赖性下预测太阳能发电能力的表现。
RF-BiLSTM 模型性能：
在所评估的架构中，RF-BiLSTM 模型表现出卓越的性能，成为最优的单一模型，其 R² 得分为 0.6568，表明该模型可解释太阳能发电量约 65.68% 的方差。该模型实现了极低的平均绝对误差（MAE）30,728 W 和均方误差（MSE）1.81 × 10⁹ W²，显示出其在有效降低绝对误差和平方预测误差方面的强大能力。RF-BiLSTM 模型的创新之处在于其独特的两阶段混合架构，首次将传统机器学习与深度学习有机结合，用于太阳能发电预测。与直接将原始特征输入循环网络或采用简单特征拼接的传统方法不同，该模型引入了一种复杂.......
访问受限。请登录或开始试用以查看此内容。
所提出的方**法遵循一个结构化的流程，如图12所示。首先，数据集经过全面的预处理，包括缺失值填补、归一化和特征工程，以确保数据质量并增强模型学习能力3,6。处理后的数据集被划分为训练集（70%）、验证集（15%）和测试集（15%），以支持稳健的模型开发与性能评估2,9。随后，独立训练并使用验证集评估五种混合深度学习模型：RF-BiLSTM、CNN-LSTM、CNN-BiLSTM、CNN-GRU 和 CNN-Transformer。根据各模型的个体表现，构建一个加权平均集成模型，对具有较高 R² 分数的模型赋予更大的权重，以突出其预测能力。最终的集成模型通过标准预测指标进行评估，包括 R²、平均绝对误差（MAE）和均方误差（MSE），以确定其在太阳能功率预测中的准确性、稳定性和泛化能力1,<.......
访问受限。请登录或开始试用以查看此内容。
作者无任何利益冲突需要披露。在撰写本文过程中，作者使用了Claude AI（Anthropic）和ChatGPT（OpenAI），用于以下目的：协助文献检索、语法与语言润色、机器学习模型的代码调试与优化，以及技术内容的格式整理。所有由人工智能生成的内容均已由作者仔细审阅、修改并核实。作者对已发表文章内容承担全部责任。
感谢Megha Engineering and Infrastructures Ltd为开展本工作提供了必要的数据、资源和支持。
....访问受限。请登录或开始试用以查看此内容。
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 双向长短期记忆网络 | TensorFlow/Keras | TensorFlow 2.10.0 | |
| 卷积神经网络层 | TensorFlow/Keras | TensorFlow 2.10.0 | |
| Google Colab | 谷歌有限责任公司 | 云平台 | |
| GRU | TensorFlow/Keras | TensorFlow 2.10.0 | |
| Matplotlib | Matplotlib 开发团队 | 3.7.1 | |
| NumPy | NumFOCUS | 1.25.2 | |
| NVIDIA T4 GPU | NVIDIA 公司 | Tesla T4 | |
| Pandas | NumFOCUS | 2.0.3 | |
| 用于直接法向辐照度（DNI）测量的太阳辐射计 | 基普 &和 Zonen | CH1-DL | |
| Python | Python 软件基金会 | 3.10.12 | |
| 随机森林 | Scikit-learn 开发者 | 1.2.2 | |
| Scikit-learn | Scikit-learn 开发者 | 1.2.2 | |
| 温度传感器 | Vaisala | HMP155 | |
| TensorFlow/Keras | 谷歌 | 版本 2.10.0 | |
| Transformer | TensorFlow/Keras | TensorFlow 2.10.0 | |
| 气象站 | Davis Instruments | Vantage Pro2 |
访问受限。请登录或开始试用以查看此内容。