北卡罗来纳州立大学的研究人员已经证明，某些技术可将日前太阳能发电预测准确率相较于表现最稳定的单一预测模型最高提升13%。日前预测对电网运营商尤为关键，因为它们为市场调度和机组组合决策提供依据——即在提前24小时确定哪些发电机组需要运行以满足预期需求的过程。研究成果发表于 Journal of Cleaner Production，也强调了在设计准确预测模型时考虑区域变量的重要性。

“随着太阳能渗透率持续提高，预测不确定性成为能源规划者和需要平衡供需的电网运营商必须重点考虑的问题，”NC State土木、建筑与环境工程副教授、论文合著者 Anderson De Queiroz 表示。“我们的结果表明，结合多个基于机器学习的模型可以提供更稳健的预测，并有助于提高太阳能并入电力系统的可靠性。”

为建立基线，研究团队首先评估了两大类预测模型：统计模型和人工神经网络模型。统计模型用于识别历史规律，而基于人工神经网络的方法更适合捕捉非线性时间关系。研究团队从中选取了七种模型进行测试。

这些模型使用了2019年至2022年的天气和太阳能发电数据进行评估，数据来自加州两家公用事业公司：Imperial Irrigation District (IID) 和 Los Angeles Department of Water and Power (LADWP)。加州在美国已装机太阳能容量方面位居前列，因此是研究高太阳能渗透率相关预测挑战的特别合适环境。

“我们希望利用这些模型来找出天气数据与太阳能发电之间的关系，”NC State博士后研究学者、论文通讯作者 Yen-Hsi Chou 表示。“但最有趣的结果是，没有任何单一模型在所有情况下都表现最佳。我们选择了表现最稳定的模型 BiLSTM 作为基线，并发现通过结合不同单一模型的预测，在某些情况下还能进一步将预测性能提高10%以上，这相当令人印象深刻。”

研究人员测试了两种集成方法。第一种是加权平均，它将分别训练的、针对特定地点的模型预测结果结合起来，并给予表现更好的模型更高权重。第二种是多输入方法，允许每个模型纳入来自多个地理位置的天气数据。

结果显示，各种集成方法的有效性会因地区而显著不同。加权平均为 IID 带来了最高11%的提升，而多输入方法则为 LADWP 带来了最高13%的预测提升。

“这项研究的一个关键结论是，没有一种通用的预测策略能够在所有地方同样有效，”De Queiroz 表示。“了解每个地区的特征，并利用来自多个模型和多个地点的信息，对于开发既准确又能支持现实电网运行决策的预测工具极为重要。”

“总体而言，我们的发现表明，与单一模型相比，集成方法确实有进一步提升预测的潜力，但这些方法需要针对具体使用地区进行测试和微调，”Chou 表示。

该研究发表于 Journal of Cleaner Production，并得到了 National Science Foundation 的部分资助。其他 NC State 参与者包括电气与计算机工程系博士生 Arundhuti Haldar，以及计算机科学领域的前研究生 Shubh Nisar。

NC State 新闻稿