在数据有限的条件下,为能源模拟、减排以及需求响应提供精准的短期GHI预测

《ENERGY AND BUILDINGS》:Accurate Short-Term GHI forecasts for energy Simulation, emissions Reduction, and demand response under limited data

【字体: 大 中 小 】 时间:2026年04月03日 来源:ENERGY AND BUILDINGS 8.0

编辑推荐:

  希沙姆·阿尔加姆迪,沙特阿拉伯纳杰兰大学 摘要:准确预测全球水平辐照度对于优化太阳能利用及维持电网稳定至关重要。然而,传统神经网络的性能往往因可用于训练的大气数据有限且变化较大而受到限制。本研究提出粒子滤波循环神经网络作为解决数据短缺问题的有效方案。该方法采用采样技术,通过粒子

  希沙姆·阿尔加姆迪,沙特阿拉伯纳杰兰大学

摘要:准确预测全球水平辐照度对于优化太阳能利用及维持电网稳定至关重要。然而,传统神经网络的性能往往因可用于训练的大气数据有限且变化较大而受到限制。本研究提出粒子滤波循环神经网络作为解决数据短缺问题的有效方案。该方法采用采样技术,通过粒子滤波从输入分布中生成多种数据组合,从而有效扩充训练集,使PF-RNN能够更精准地识别潜在规律并量化不确定性,进而以较少数据实现更高预测精度。为验证该方法的可行性,研究使用有限的历史数据对沙特阿拉伯利雅得的全球水平辐照度进行了预测。其中,粒子滤波长短期记忆模型表现尤为出色,在15分钟、30分钟和60分钟的预测周期内,其均方根误差分别仅为35.5、42.0和50.3瓦/平方米。通过将PF-LSTM的预测结果纳入EnergyPlus建筑模拟系统,进一步证明了这些预测的实际价值:在模拟的一周时间内,基于预测结果的调控措施使峰值负荷降低了30%,每日可节省162千瓦时的能源,每年可减少41.4吨二氧化碳排放,且相对于传统控制方式,运营效率提升了92%。这些结果表明,该框架不仅能在数据匮乏的干旱地区提升预测精度,还能在建筑能源管理及控制策略中带来显著的能源、减排和需求响应方面的效益。

引言:随着全球能源需求的增加以及化石燃料的日益枯竭,太阳能因其易获取性、成本效益及环境优势,逐渐成为重要的可再生能源选择[1][2]。太阳能为建筑提供环保的电力和热能,对构建可持续的能源系统具有重要意义[3],Lodhi等人也对此进行了相关研究[4]。不过,由于太阳能具有变动性和不确定性,精确预测太阳辐射强度对于确保建筑内的能源管理高效稳定至关重要,Kumari和Toshniwal对此有过深入探讨[5][6]。随着越来越多的国家致力于提升可再生能源的利用率并降低温室气体排放,开发准确的太阳辐射预测模型变得愈发重要[7],Lodhi等人也有相关研究[4][8]。这类预测模型有助于更有效地将太阳能系统整合到建筑中,保障稳定的能源供应,减少环境负担,推动全球向可持续建筑实践转型[9]。由于天气状况的变化——包括云量、气温、风速和湿度等因素——都会显著影响太阳能发电量,因此准确估算太阳辐射强度对于最大化建筑中太阳能的利用至关重要[10][11],H等人也对此进行了研究[12][13][14]。太阳辐射本身的多变性和不稳定性给将太阳能接入电网及为建筑提供稳定能源带来了困难[15]。为此,人们越来越多地采用先进的预测方法,尤其是那些基于机器学习和深度学习技术的方案,以提高太阳辐射预测的准确性。这些改进使得建筑管理者和能源供应商能够更有效地匹配能源供应与需求,降低运营成本,减少对大规模备用储能系统的依赖[16]。尽管经验模型能为长期预测提供简单的方法,但由于天气状况变化迅速,它们在实现精准短期预测方面存在局限[2]。因此,准确预测太阳辐射强度不仅对于优化建筑能源运行至关重要,对于保护投资以及维持集成太阳能技术的电力系统的稳定性与效率也同样重要[17][18][19][20]。在提升全球水平辐照度预测精度方面,机器学习方法,尤其是那些结合集成技术与基于天气特征的聚类方法,展现出了巨大潜力。Kumari等人提出了将极端梯度提升算法与深度神经网络相结合的新型混合架构[5],他们的研究表明,这种组合方法在不同气候条件下能实现更高的稳定性和预测精度。Ahmed等人则强调了天气分类的重要性,他们通过K均值聚类对数据进行预处理,再应用分类提升模型,从而显著降低了预测误差[21]。Wang等人则采用了多特征聚类方法,为不同天气条件创建针对性的子模型,提升了模型的适应性[22]。Mugware等人将集成学习作为研究重点,发现双嵌套堆叠模型相比SVR和RF等单一模型具有显著优势[23]。Wang等人的另一项研究则表明,LightGBM是一种非常有效的算法,可用于区分散射辐照度与全球水平辐照度,同时强调模型选择需根据区域数据特点进行调整。近期在全球水平辐照度预测方面的研究显示,尤其是那些采用混合架构的深度学习模型,其预测性能始终优于传统方法,Kumari和Toshniwal对此进行了验证[25][26]。基于循环神经网络、长短期记忆网络、门控循环单元和卷积神经网络等架构的模型因能有效捕捉数据中的时间与空间关系而被广泛使用[27][28]。例如,Zhu等人提出了AGA-LSTM模型,该模型将注意力机制与遗传算法结合,用于优化参数选择,其在预测全球水平辐照度和直射正常辐照度方面的性能优于其他竞争模型,其出色的预测精度也在NREL SRRL数据集上得到了严格验证。Pan等人则开发了一种基于GRU的框架,并结合核密度估计技术,用于生成概率预测区间,该模型在5分钟和15分钟时间分辨率下的数据验证中也展现了良好效果。Faisal等人利用来自孟加拉国五个城市的气象数据构建了深度神经网络模型,在所有测试的架构中,基于GRU的模型具有最低的平均绝对百分比误差,仅为19.28%。此外,法国气象机构还应用LSTM网络生成了每小时的多变量预测,其归一化均方根误差也处于较高水平[32]。通过结合人工神经网络和LSTM架构的堆叠集成模型,并利用Solargis NWP数据,进一步提升了R2、均方根误差和平均绝对误差等评估指标的一致性[33]。应用于科威特北部数据集的基于注意力的BiLSTM模型,展现出强大的能力,可有效捕捉和管理太阳能输出中的波动[34]。诸如CNN-LSTM-Transformer[35]和BDSCA-LSTM[36]之类的复杂混合模型,在处理大量数据以及干旱气候下的复杂条件时,也展现了出色的稳健性和泛化能力。其他值得关注的方法还包括为埃塞俄比亚的太阳能预测开发的混合模糊PSO模型[37],为应对太阳数据非线性特征而设计的EEMD-GA-LSTM方法[38],以及为有效管理太阳辐射波动而应用于TNBR数据集的BPNN-PSO模型[39]。深度学习架构的研究表明,它们具备强大的能力,可用来建模全球水平辐照度的复杂时间动态特性[40]。Boubaker等人的研究仅依靠历史辐照度测量数据,就证明了深度神经网络能够准确预测下一日的全球水平辐照度,他们采用的LSTM和GRU等架构在无需大量气象数据的情况下仍能实现高精度预测。Aliberti等人的比较分析则指出,回声状态网络在多种神经网络类型中具有最高的预测精度,尤其是在结合晴空指数进行数据预处理后效果更为显著。Elmousaid等人则实现了一项创新,他们首次将时间卷积网络应用于短期全球水平辐照度预测,其研究结果表明,单变量时间卷积网络能够有效捕捉时间依赖性,且性能优于传统的循环模型。Dou等人则开发了一种多模态深度聚类方法,该方法结合了云图数据和时间序列数据,既提升了天气分类的准确性,也提高了后续预测的精度。尽管深度学习模型在估算全球水平辐照度方面表现优异,但其预测精度却对可用训练数据的规模极为敏感[1][44]。准确可靠的数据是训练高效太阳辐射预测模型的基础[45][46]。如果数据中存在缺失值或错误值,比如由于传感器故障或时间序列数据中的不连续性导致的异常,都可能降低模型精度,并在预测结果中引入偏差[47]。数据增强技术可通过生成额外的或经过处理的训练样本来解决这些问题,从而提升模型的稳健性,减少过拟合现象,促进更好的泛化能力[48]。传统的数据增强方法,如随机过采样和SMOTE,可能存在过拟合问题,还会产生噪声数据点[49]。同样,马尔可夫模型和自编码器等方法也因依赖于严格的数据特征假设,且在面对数据多样性较低的情况时效果不佳而受到限制[Z.[50]。解决数据不足的问题是开发稳健预测模型的关键环节。Hong和Seong的研究强调了模型调优对于提升预测精度的重要性,他们表明,通过适当优化人工神经网络,即便在数据量较小的情况下,也能实现精准的能源预测。Weyll等人的研究则体现了一种数据增强方式,即通过整合全球规模的GDAS数据来为机器学习模型提供输入,从而在本地数据较为稀少的情况下提升中期全球水平辐照度预测的精度。Oh等人则开发了一种方法,用于量化不同地区的预测可行性差异,这有助于将模型应用于那些历史预测数据较少的地区。Boujdaini等人则通过引入一个计算得到的多云天空指数来扩展其输入特征集,从而提升了人工神经网络模型的预测精度。虽然这些方法都具有一定的价值,但它们也存在局限性:在小数据集上进行模型优化容易引发过拟合问题,而整合全球数据或计算得到的指数可能无法完全反映局部微气候的影响,进而限制预测的最终精度。此外,K?ker等人建议未来可将深度学习模型整合到仿真框架中,作为进一步研究的方向。将粒子滤波技术融入深度学习模型,已成为提升训练稳健性及处理不确定性问题的有效策略[55]。在这种技术中,粒子滤波将可能的系统状态表示为粒子,从而使深度学习模型能够从数据分布而非单一状态中学习。这种概率化的表示方式有助于LSTM或GRU等神经网络更可靠地捕捉动态且复杂的模式。近期有研究将这一混合概念应用于多个领域:在车辆跟踪领域,PF–CNN–LSTM融合模型通过利用地理信息和动态数据对粒子进行加权,提升了空间预测的精度[56];在电池和燃料电池的寿命预测方面,PF–LSTM模型通过将不确定性纳入预测过程,实现了更窄的置信区间以及更准确的剩余寿命估算[57][58];在太阳能预测领域,经过粒子滤波增强的RNN模型通过在训练过程中直接端到端整合粒子滤波技术,将预测误差降低了60%至70%[59]。为了解决在数据不足的情况下预测精度低和易过拟合的问题,本研究将PF–RNN架构应用于全球水平辐照度预测。与传统只保持单一确定性隐藏状态的LSTM和GRU不同,所提出的PF-RNN模型将潜在状态表示为近似的后验分布,这一分布通过一组带权重的粒子来实现。这些粒子在每个时间步都会通过基于贝叶斯滤波框架的完全可微分粒子滤波算法进行传播和更新。虽然最初的PF-RNN概念是为通用序列建模任务而提出的[55],但本研究是其首次在太阳能预测领域得到针对性应用并进行了全面评估。通过明确建模状态不确定性,所提出的模型不仅持续提升了预测精度,还增强了对抗过拟合的能力,为数据不足条件下的预测提供了一种原理清晰且具有韧性的方法。此外,通过将这些预测结果整合到EnergyPlus建筑模拟系统中,进一步证明了这些预测在实际应用中的价值,这表明该框架在建筑能源管理及控制策略中确实能够带来显著的能源、减排和需求响应方面的效益。

方法部分:本研究提出了一个针对沙特阿拉伯利雅得全球水平辐照度预测的完整框架,该框架运用了四种先进的深度学习架构,可覆盖不同的预测时间范围。如图1所示,该方法首先需要精心采集和预处理数据,这包括系统地处理缺失值以及标准化气象变量。该数据集是在2023年5月1日至2023年8月10日的五个月时间里,在阿卜杜拉国王城市为现实世界试点模拟而收集的。为将理论预测性能与实际能源管理结果相联系,还在模拟的现实世界试点环境中对PF-LSTM模型进行了进一步评估。通过将PF-LSTM的预测结果整合到基于EnergyPlus(23.1版本)的建筑能源模拟中,来评估其实际应用价值。所建模的建筑是一栋面积为2,000平方米的中型办公建筑,符合ASHRAE标准90.1–2019的要求。该建筑配备了变风量HVAC系统。

相关性分析揭示了GHI建模中所用输入特征之间的关键关联关系,相关分析结果如图3所示。其中,日照时长与GHI的正相关性最高(r=0.86),这体现了较长的日照时间会导致地面接收到的太阳辐射增加这一基本物理规律。温度与GHI的正相关性次之(r=0.77),说明环境温度的上升也会对GHI产生影响。

通过对四种用于GHI预测的深度学习架构进行全面评估,得出了关于集成粒子滤波器优势以及多时间尺度下太阳辐射预测所面临的基本挑战的重要见解。在各项性能指标和预测时间段内,PF-LSTM模型的表现始终优于其他所有竞争模型,这表明概率滤波能为循环神经网络带来显著改进。

本研究成功证明了将粒子滤波器与深度学习模型相结合,能够显著提升GHI预测精度,尤其是在数据匮乏的情况下。PF-LSTM模型的表现始终优于传统基准模型,15分钟预测的均方根误差低至35.5瓦/平方米,相比传统模型提升了71%。其卓越的预测性能得益于粒子滤波器的应用。

在撰写本文档的过程中,作者使用了ChatGPT(GPT-5)来协助进行语言编辑、提升文本清晰度以及优化学术表述。在使用该工具后,作者对内容进行了必要的审阅和修改,并对最终发表的内容承担全部责任。

未引用参考文献[71]。

CRediT作者贡献说明:Hisham Alghamdi:写作——初稿撰写、可视化、验证、软件使用、资源提供、方法设计、正式分析、数据整理、概念构建。

利益冲突声明:作者声明自己不存在任何可能影响本文研究结果的已知财务利益或个人关系。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号