利用混合深度学习进行太阳能电力预测：利用随机森林-BiLSTM和集合建模提升性能

Summary

本研究通过全面的数据分析和纠错方法，推动集中太阳能电站的性能。通过整合频谱分析、热效率优化和混合机器学习模型，研究提供了可作的策略，提升运营效率和可靠性，从而支持太阳能作为可持续能源的作用。

Abstract

准确的太阳能预报对于电网整合和可再生能源系统的运行稳定性至关重要。本研究采用混合深度学习集合方法，通过捕捉辐照度数据中的复杂时间依赖性来预测太阳生成。评估了五种混合架构：RF-BiLSTM、CNN-LSTM、CNN-Bilstm、cnn-gru 和 CNN-Transformer，每种都结合卷积或循环组件，从历史时间序列中提取空间和顺序特征。RF-BiLSTM型号实现了最佳单体性能，R² = 0.6568，MAE = 30,728 W，MSE = 1.81 × 10⁹ W²。采用逆MAE加权平均法整合前三大架构的集合模型显示，R² = 0.6933，MAE = 28,809.89 W，MSE = 1.53 × 10⁹ W²，预测误差比最佳单模型降低6.2%，表现优异。所提出的集合框架有效平衡了模型优势，增强了预测的鲁棒性，并为智能电网和能源管理系统中的可再生能源预测提供了可扩展、数据驱动的解决方案。

Introduction

全球向可再生能源的加速转型使太阳能成为可持续能源组合中的关键来源。随着各国越来越多地致力于能源系统的脱碳，太阳能光伏（PV）技术因其可扩展性、成本下降和环境效益而实现了指数级增长。然而，太阳能广泛整合进国家和区域电网带来了重大挑战，主要因其间歇性和依赖天气的特性。太阳辐照度受多种环境因素影响，包括云量覆盖、大气状况、季节变化和昼夜周期，这些因素都为太阳能发电带来了变异性和不确定性。这种固有的变异性使得电网平衡和电力系统规划工作更加复杂。运营商必须准确预测太阳能发电量，以确保资源最佳分配，减少对化石燃料备份系统的依赖，防止基础设施过载或利用不足，并保持整体电网稳定。随着太阳能普及率的提升，对稳健、可靠且精确的预测模型的需求更加紧迫。准确的短期和当天太阳能预报对于能源市场参与、负载调度、电池调度和微电^网管理等应用尤为关键。

传统的预报方法，如基于气象数据的物理模型和统计时间序列技术（如ARIMA、指数平滑法），常常无法准确捕捉太阳能发电的非线性和动态行为。这些模型往往依赖线性假设、手工制作的特征或详细的天气模拟，限制了其对^{太阳数据变化}模式的可扩展性和适应性。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。这些数据驱动方法可以直接从原始输入数据中自动学习复杂特征和时间依赖关系，无需显式特征工程 ^3,4。

最广泛使用的架构之一是循环神经网络（RNN）及其改进型，如长短期记忆（LSTM）和门控循环单元（GRU）网络。这些模型旨在捕捉时间序列数据中的顺序依赖关系和长期时间关系 ^2,5,6。与此同时，卷积神经网络（CNN）在空间特征提取方面展现出强大能力，并被改编用于通过一维卷积处理时间数据，尤其是在混合配置^7,8中。混合深度深度分析模型结合了CNN和RNN等不同架构的优势，因其能够从时间^{序列数据中}提取局部和长期依赖关系而在太阳预报中获得广泛关注。

例如，CNN-LSTM或CNN-BiLSTM模型在输入序列输入前对卷积层进行预处理和过滤，从而实现更高效、更准确^的学习。多项研究证明了混合架构优于独立模型。使用SSA-RNN-LSTM混合模型的研究在多种光伏技术中显著降低了误差指标，与其他混合方法相比RMSE提升了15-23%。同样，CNN-LSTM架构在应用于真实太阳能数据时，在多个评估指标上表现优于标准机器学习方法和单一深度学习模型¹⁰。基于分解的混合方法也得到了验证，其中小波包分解与LSTM网络结合，在预先PV功率预测²中优于单个LSTM、RNN、GRU和MLP模型。在风电预报中，结合卷积层与GRU网络的混合模型在非常短期预测方面取得了显著改进，跨多个地点的验证证实了其鲁棒性和可推广性⁷。此外，基于注意力的机制如变换器（Transformers）通过选择性聚焦于跨时间步的相关输入片段，提供了进一步的潜力。近期对CNN-LSTM-变压器混合电的研究取得了极低的错误率，代表了将变压器网络整合进太阳能预报混合模型的开创性^努力。

混合模型的成功不仅限于架构组合，还包括预处理技术和针对现实环境的专业适应。信号分解技术在捕捉光伏发电多尺度特性方面已被证明有价值，通过更好地表示时间模式提升预测准确性².对于在限制条件下运行的工业规模太阳能电站，基于基于LSTM的增强方法结合专业预处理，已通过解决数据不一致问题实现了显著的误差减少¹²。还考察了输入数据质量的影响，发现使用历史天气数据与预测天气数据时性能差异显著，创新特征工程技术有助于在不完美^{输入条件下减轻}准确性损失。机器学习方法在并网系统中也已证明有效性，显示出通过精确预测减少对传统旋转储备容量依赖的^潜力。早期的基础工作证明了人工神经网络在各种太阳能应用中的可行性，展示了其处理噪声和不完整数据的能力，同时在训练后提供快速预测 ^3,4,14。关于最优预测视野和最小输入方法的研究为数据稀缺地区的系统设计和部署提供了实用指导 15,16,17。结合机制建模与深度学习的混合方法也在复杂的太阳能热能应用中展现出潜力，能够准确识别关键气象因素及其时空关系¹⁸。比较研究证明了先进循环架构的优势，尤其是双向LSTM网络，在多^云天气等复杂环境条件下表现出色。

集合学习，尤其是通过加权平均法，提供了一种引人注目的解决方案。通过汇总互补模型的预测，集合方法可以减少泛化误差，提高鲁棒性，并弥补单个模型的弱点。本研究探讨了五种先进混合DL模型：RF-BiLSTM、CNN-LSTM、CNN-Bilstm、cnn-gru和CNN-Transformer在太阳能电预报中的表现。每个模型都采用严格的指标评估，包括确定系数（R²）、平均绝对误差（MAE）和均方误差（MSE）。基于性能基准测试，选出前三名模型并结合成一个优化的集合，采用加权平均技术。目标是开发一个仅限深度学习的集合，在保持泛化性和计算可行性的同时，提升预测准确性。本研究旨在为电网运营商和可再生能源利益相关者提供实用且高效的预测解决方案。

尽管可再生能源预测方法取得了显著进步，当前知识体系中仍存在若干关键局限。尽管光伏系统吸引了大量研究关注，但专门针对聚光太阳能的预测应用仍然严重不足，导致热效率预测和运营优化的问题大多未被解决^15,16。当前的预测框架通常假设传感器测量本身是准确的，忽视了直接法向照度仪器系统性错误纠正程序的实施，这对回顾性分析和前瞻性预测都带来了潜在的可靠性问题²⁰.现有方法主要集中于时间预测，未研究太阳辐射在不同大气条件下的光谱特性，尽管已知光谱分布对系统性能有影响¹⁷。尽管结合卷积和循环网络的混合架构在光伏和风能应用中已被证明有效，但其适应聚光太阳能热系统的应用仍然大多未被探索，尤其是在将随机森林特征处理与双向递归层集成的配置^7,10.已发表研究中每小时预测区间的普遍性，忽视了能够捕捉快速热响应动态、以捕捉实时系统管理所需的更高时间分辨率的必要性（^18,19）。此外，数据质量提升和预测建模作为脱节的研究领域存在，缺乏展示测量整改如何转化为预测改进的综合框架。最后，计算效率方面的考虑，包括训练时长、推理速度和硬件需求，相较于准确率指标不足，限制了实际部署指导²⁰。

本研究通过建立综合方法论解决了这些不足，该方法结合聚光太阳能专用分析与热优化，实施严格的传感器纠错协议，进行频谱分布检查，引入随机森林-双向LSTM热功率预测架构，执行分小时分辨率预测以增强时间粒度，并将数据整流过程与性能连接起来结果，并利用标准化的图形处理硬件，在五种混合架构中系统地进行计算基准测试。现有文献中发现的关键研究空白汇总于 表1。

研究空白	现有文献	缺少什么	本研究涉及
有限的CSP专属研究	广泛的光伏预测研究15,16	CSP热效率数据整流	全面的CSP数据分析及热量优化
传感器纠错不足	研究假设数据准确性17	DNI仪器的零误差更正协议	实施零误差更正以实现准确评估
缺乏DNI光谱分析	时间预报关注点仅18	大气变化下的光谱分布	光谱分析揭示云/大气影响
CSP的有限混合模型	CNN-LSTM用于PV 10，CNN-GRU用于风力7	用于CSP应用的RF-BiLSTM	新颖的射频-BiLSTM实现R2 = 0.657
缺乏逐分钟分析	小时预测18,19	热动力学的高分辨率	实时优化的逐分钟评估
无综合框架	独立的预测与质量研究20	整流与性能的联系	集成数据到绩效改进框架
计算分析不足	准确度比较仅20	训练效率与部署可行性	跨5个模型的T4 GPU计算分析

表1：本研究中已解决的研究空白。 现有研究局限性、现有文献缺失要素及本研究在解决CSP预测和数据质量评估中识别出的空白方面的具体贡献总结。

Protocol

数据集收集与描述
本研究所用数据集（图1）包含了对太阳能预测至关重要的历史记录。该数据集包含位于印度安得拉邦阿南塔普尔附近的Megha Engineering and Infrastructures Limited（MEIL）运营的50兆瓦聚光太阳能热电厂的每日运行数据，采用抛物槽聚光太阳能（CSP）技术，捕捉直接法光度（DNI）并通过热传导流体（HTF）传递热量发电。该数据集收集时间为2015年1月1日至2025年10月3日，包含七个关键属性，捕捉时间信息、太阳辐照度测量和发电输出。时间属性包括“日期”，提供标准格式的日历日期;“年份”表示数据收集年份;“月份”表示月份数字;“日”表示月份的日期;以及“朱利安日”，提供贯穿全年连续时间的日数系统，实现连续时间分析。主要气象输入变量是“DNI SUM”，单位为千瓦时/平方米，代表总直接法辐度（DNI），即每平方米集热器表面接收的累计太阳能，是影响CSP电厂热转换效率的关键因素。目标变量“实际发电量”以千瓦时计，反映了CSP电站产生的电力输出，反映了太阳能从热能转换为电力的过程结果。这些属性共同支持对电厂性能的全面分析，包括热效率判定、DNI转电力转换建模、通过光谱分析识别大气和云层影响、传感器校准零误差更正协议的实施，以及开发先进的混合机器学习预测模型，以优化实时运营规划，提升CSP电厂的整体效率和可靠性。工厂详情可于：https://solarpaces.nrel.gov/project/megha-solar-plant

图1：数据集的前五行。 展示太阳能发电数据集初始条目样本，显示用于模型训练和评估的输入特征和目标变量。 请点击此处查看该图的放大版本。

数据准备
该研究利用了从2015年1月1日到2025年3月10日的太阳能发电时间序列数据。为了考虑早期数据质量问题并关注较新的模式，记录自2017年1月1日起进行了过滤。根据初步相关分析显示预测价值微小，时间栏（日期、年份、日期）被移除。缺失值通过移动平均法进行补值，以保持时间连续性，同时最大限度地减少潜在模式的扭曲。利用目标变量（实际发电量（kW/h））创建了三个滞后特征以捕捉时间依赖关系。

数据集拆分
为建立平衡且具代表性的训练、验证和测试队列，采用分层抽样方法对预处理数据集进行了分段处理。该方法确保70%的数据（2091数据）用于训练，而验证和测试集各占15%（每集448个数据）。

数据归一化
特征通过StandardScaler标准化，目标值通过MinMaxScaler归一化至[0,1]范围以保证神经网络稳定性。

模型训练
用于太阳能发电预测实施了五种混合模型（随机森林-BiLSTM、CNN-LSTM、CNN-Bilstm、cnn-gru和CNN-变压器）。输入数据被重构为顺序格式，重塑为（样本、时间步、特征），大多数模型的时间步长=1，唯独CNN-LSTM采用了15步的滑动窗口。训练、验证和测试集在保持时间顺序的同时进行扩展，以避免数据泄露。所有模型均使用32个批次规模和30个时代进行训练。

随机森林-BiLSTM（图2）：所提出的混合模型结合了双向长短期记忆（BiLSTM）网络与随机森林（RF）回归器，以提高预测准确性。首先，BiLSTM模型基于输入的时间序列数据进行训练，以捕捉时间模式并生成初步预测。之后，计算BiLSTM的残差误差（实际值与预测值之间的差异）。然后，随机森林模型会在原始输入特征上训练，以学习和预测这些残差。为了提升射频模型的性能，根据特征重要性评分选出六个最重要的特征。最后，通过将射频预测残差加入BiLSTM输出，获得校正后的预测。这种混合方法利用了BiLSTM的序列建模能力和随机森林的集合学习优势，实现了更好的泛化和预测性能。

设 为时间步t处的输入序列。

BiLSTM预测：

, 

 

 

残差计算： 

利用随机森林进行残差学习：设Z⊂X为通过特征重要性选择的前k个特征。

 

最终预测： 

图2：随机森林-双向长短期记忆模型的架构。 示意图展示了RF-BiLSTM混合架构，展示了随机森林特征处理与双向LSTM层的集成，用于时间序列学习。 请点击此处查看该图的放大版本。

CNN-LSTM （图3）：CNN-LSTM混合模型首先使用一维卷积层处理输入序列以提取局部空间特征，随后激活LeakyReLU、批量归一化和最大池化。提取的特征随后通过三层LSTM叠加学习时间依赖关系，并在前两层LSTM后进行层归一化和丢弃以实现正则化。最终的LSTM输出经过完全连接的密集层，经过激活和退出，最终通过单个神经元映射到输出。

设 为输入序列，其中T为时间窗口，F为特征数量。

CNN的作： 

最大池化： 

LSTM单元： 

 

输出：  

图3：CNN-LSTM模型的架构。 卷积神经网络-长短期记忆混合模型的结构表示，展示了卷积特征提取及单向时间序列处理。 请点击此处查看该图的放大版本。

CNN-BiLSTM（图4）： CNN-BiLSTM混合模型首先利用带有32个滤波器的一维卷积层提取空间特征，随后进行批量归一化和最大池化以降低维度。然后输出会通过两层双向LSTM叠加，以捕捉正向和后向的长期时间依赖关系。正则化通过脱落和批次归一化来实现。一个由128个神经元组成的密集层会细化所学的表征，最终输出层将其映射为单一预测值。

CNN的作： 

最大池化：

双向LSTM： ,  

 

输出：  

图4：CNN-BiLSTM模型的架构。 卷积神经网络-双向长短期记忆模型的架构图，突出卷积层与双向循环处理的结合，以增强时间依赖捕捉。 请点击此处查看该图的放大版本。

CNN-GRU （图5）：CNN-GRU混合模型以Conv1D层为核心，使用核大小为1，从单一时间步中提取空间特征。最大池化会减少空间维度。随后是一组GRU层，第一层返回序列以捕捉时间依赖关系，第二层将序列总结为紧凑表示。最后一个稠密层输出预测值。在GRU层之间施加掉落正则化以防止过拟合。

CNN的作： 

最大池化： 

GRU小组：

输出：

图5：CNN-GRU模型架构。 卷积神经网络-门控循环单元混合模型示意图，展示了与GRU层集成的卷积预处理，实现高效的时间建模。 请点击此处查看该图的放大版本。

CNN变换器 （图6）CNN变换器模型从Conv1D层开始，从输入序列中提取局部特征，随后是最大池化层。这些功能通过一个变压器编码模块，该模块由多头自注意机制、层归一化和前馈密集网络组成。然后在最后一个稠密层输出预测之前，应用全局平均池。该架构设计用于捕捉空间模式（通过CNN）和全局依赖关系（通过Transformer注意力）。

CNN的作：

多头自我关注：

其中：Q， K， V = XW^Q，^{XW K}，^{XW V，d} _k 是密钥的维数。

前馈网络：

加法层和范数层：

输出：

图6：CNN-变换器模型的架构。 卷积神经网络-变换器混合模型的结构概述，结合卷积特征提取和多头注意力机制，实现高级时间模式识别。 请点击此处查看该图的放大版本。

集合模型开发
为了提升预测准确性和模型鲁棒性，我们采用了加权平均集合方法，利用五个混合深度学习模型的预测数据：RF-BiLSSTM、CNN-LSTM、CNN-GRU 和 CNN-Transformer。该集合通过为每个模型的预测分配优化权重构建，对于表现优异的模型（以R²分数衡量）权重更高。这种权重策略确保更准确的模型对最终预测贡献更大，同时仍能发挥所有架构互补的优势。随后，集合输出采用标准性能指标：R²、平均绝对误差（MAE）和均方误差（MSE）进行评估，以评估其预测准确性、一致性和泛化能力。该深度学习集合旨在整合多角度的时间特征提取，从而比单一混合模型单独使用更准确、更稳健。

集合技术的数学表述：

设

代表对应CNN-RF-BiLSTM、CNN-LSTM、CNN-Bilstm、CNN-GRU和CNN-Transformer的基础模型集合。

每个基模型 M_i 都会产生一个预测：

堆叠的元特征矩阵形成为：

脊回归元学习器估计最终预测为：

其中：

——_我是 学会堆叠的重物

-- w₀ 是偏置项

为避免过拟合，脊回归最小化以下正则化损失函数：

其中：

-- y_j = ^{第 j} 个样本的真实目标

-- N = 总样本数

-- α = 控制重量收缩的正则化参数

集合预测的得到公式如下：

其中权重 w_i 通过最小化脊损失函数自动学习。

Results

单个模型性能评估
对五个混合深度学习（DL）模型（RF-BiLSTM、CNN-GRU、CNN-Bilstm、cnn-lstm 和 CNN-变换器）的性能评估采用了包括 R²（确定系数）、平均绝对误差（MAE）和均方误差（MSE）在内的综合标准回归指标，严格评估它们在不同气象条件和时间依赖下预测太阳能发电的能力。

RF-BiLSTM模型性能：
在评估的架构中，RF-BiLSTM模型表现出色，成为单个模型中R²得分0.6568的优越模型，表明太阳能发电中约65.68%的方差可由该模型解释。该模型实现了极低的MAE30,728瓦，MSE为1.81×10⁹ W²，展示了其有效最小化绝对和平方预测误差的能力。RF-BiLSTM模型的新颖之处在于其创新的两阶段混合架构，独特地将传统机器学习与深度学习相结合，用于太阳能电力预测。与传统方法直接将原始特征输入递归网络或使用简单特征串接不同，该模型引入了一个复杂的预处理流水线，其中随机森林作为智能特征工程层。RF组件通过其决策树的集合生成元特征，创建一个转化的特征空间，封...

Discussion

所提方法遵循结构化工作流程，如图12所示。最初，数据集会进行全面的预处理，包括缺失值补值、归一化和特征工程，以确保数据质量并增强模型学习 ^3,6。处理后的数据集随后被划分为训练（70%）、验证（15%）和测试（15%）三类，以实现稳健的模型开发和性能评估 ^2,9。随后，五个混合深度学习模型：RF-BiLSTM、CNN-LSTM、CNN-Bilstm、cnn-gru 和 CNN-Transformer 被独立训练和评估，使用验证集进行评估。基于个别表现，构建加权平均系团，赋予R²分数较高模型更大权重以强调其预测强度。最终集合模型随后使用标准预测指标（包括R²、平均绝对误差（MAE）和均方误差（MSE）进行评估，以确定其在太阳能发电预测^中的准确性、稳定性和泛化

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
BiLSTM	张量流/Keras	TensorFlow 2.10.0
卷积神经网络层	张量流/Keras	TensorFlow 2.10.0
谷歌Colab	谷歌有限责任公司	云平台
格鲁	张量流/Keras	TensorFlow 2.10.0
Matplotlib	Matplotlib 开发团队	3.7.1
数字派	NumFOCUS（数字焦点）	1.25.2
NVIDIA T4 GPU	英伟达公司	特斯拉T4
熊猫	NumFOCUS（数字焦点）	2.0.3
用于DNI测量的热传仪	基普与区内	第一章至DL
蟒蛇	Python 软件基础	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	瓦伊萨拉	HMP155
张量流/Keras	谷歌	版本 2.10.0
变压器	张量流/Keras	TensorFlow 2.10.0
气象站	戴维斯乐器	Vantage Pro2