北卡羅來納州立大學的研究人員展示了一套技術，能將日前太陽能發電預測的準確度，較表現最穩定的單一預測模型提升達 13%。日前預測對電網營運商尤為關鍵，因為它們為提前 24 小時做出的市場排程與機組承諾決策——即指定發電廠投入運轉以滿足預期需求的過程——提供重要依據。這項研究成果發表於《Journal of Cleaner Production》，同時凸顯了區域變數在建立精確預測模型中所扮演的關鍵角色。

「隨著太陽能滲透率持續上升，預測的不確定性成為能源規劃人員和電網營運商必須平衡供需時的重要考量，」北卡羅來納州立大學土木、建築與環境工程系副教授兼論文共同作者 Anderson De Queiroz 表示。「我們的結果證明，結合多個基於機器學習的模型可以提供更穩健的預測，並有助於提升太陽能併入電力系統的可靠性。」

為了建立基準，研究團隊首先評估了兩大類預測模型：能識別歷史模式的統計模型，以及更擅長捕捉非線性時間關係的人工神經網路方法。從這些類別中，團隊選定了七個模型進行測試。

這些模型使用 2019 年至 2022 年的氣象與太陽能發電資料進行評估，資料來自加州兩家公用事業公司：帝國灌區（IID）與洛杉磯水電局（LADWP）。加州在太陽能裝置容量方面領先全美，使其成為研究高太陽能滲透率所帶來預測挑戰的絕佳環境。

「我們希望利用模型找出氣象資料與太陽能發電之間的關係，」北卡羅來納州立大學博士後研究員兼論文通訊作者 Yen-Hsi Chou 表示。「但最有趣的結果是，沒有任何單一模型在所有情況下都表現最佳。我們選擇了表現最穩定的模型 BiLSTM 作為基準，並發現透過結合不同個別模型的預測，我們可以在某些情況下進一步將預測表現提升超過 10%，這相當令人矚目。」

研究人員測試了兩種集成方法。第一種是加權平均法，結合分別訓練的地區專屬模型預測，並給予表現較佳模型更大的權重。第二種稱為多輸入法，允許每個模型納入來自多個地理位置的氣象資料。

結果因地區而異。加權平均法為 IID 帶來了最高 11% 的改善，而多輸入法則為 LADWP 帶來了最高 13% 的預測改善。

「這項工作的一個關鍵結論是，沒有任何放諸四海皆準的預測策略能在所有地方都表現得同樣出色，」De Queiroz 說。「了解每個地區的特性，並利用來自多個模型和地點的資訊，對於開發既精確又實用的預測工具而言極為重要，這些工具能支援與實際電網營運相關的決策。」

「總的來說，我們的研究結果顯示，與單一模型相比，集成方法確實有潛力進一步提升預測能力，但這些方法需要針對其將使用的特定地區進行測試和微調，」Chou 補充道。

該研究部分由國家科學基金會資助。其他參與該論文的北卡羅來納州立大學成員包括電機與電腦工程系博士生 Arundhuti Haldar，以及前電腦科學研究生 Shubh Nisar。

完整論文可透過 ScienceDirect 於《Journal of Cleaner Production》查閱。