基于混合深度学习的太阳能发电预测：结合随机森林-双向长短期记忆网络与集成建模的性能提升

摘要

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。

摘要

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。

引言

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，而无需显式地进行特征工程^3,4。

目前应用最广泛的架构包括循环神经网络（Recurrent Neural Networks, RNN）及其改进变体，例如长短期记忆网络（Long Short-Term Memory, LSTM）和门控循环单元网络（Gated Recurrent Unit, GRU）。这些模型旨在捕捉时间序列数据中的序列依赖关系和长期时序关联^2,5,6。与此同时，卷积神经网络（Convolutional Neural Networks, CNN）在空间特征提取方面表现出强大能力，并通过一维卷积被改造用于处理时序数据，尤其是在混合结构中应用广泛^7,8。结合了不同架构（如CNN与RNN）优势的混合深度学习模型，因其能够从时间序列数据中同时提取局部和长距离依赖关系，在太阳能预测领域日益受到关注^7,8,9

例如，CNN-LSTM 或 CNN-BiLSTM 模型首先利用卷积层对输入序列进行预处理和滤波，然后将其输入到循环层中，从而实现更高效且更准确的学习^9,10。多项研究已证明，混合架构相较于单一模型具有更优性能。采用 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，与其它混合方法相比，均方根误差（RMSE）改善了15-23%⁹。类似地，当应用于真实世界太阳能发电数据时，CNN-LSTM 架构在多个评估指标上均优于传统的机器学习方法以及单一的深度学习模型¹⁰。基于分解的混合方法的有效性也已得到验证，其中小波包分解与 LSTM 网络结合，在超前一小时的光伏发电功率预测中，其性能优于单独的 LSTM、RNN、GRU 和 MLP 模型²。在风力发电预测方面，将卷积层与 GRU 网络结合的混合模型在极短期预测中取得了显著提升，并在多个地点的验证中表现出良好的鲁棒性和泛化能力⁷。此外，基于注意力机制（如 Transformer）的方法通过在时间步上选择性地关注相关输入片段，展现出进一步的潜力。近期对 CNN-LSTM-Transformer 混合模型的研究实现了极低的误差率，标志着将 Transformer 网络引入太阳能发电预测混合模型中的开创性探索¹¹。

混合模型的成功不仅体现在架构组合上，还包括针对实际条件的预处理技术和专门化改进。信号分解技术在捕捉光伏发电多尺度特征方面已显示出重要价值，通过更准确地表征时间模式，显著提高了预测精度²。对于在限电条件下运行的工业级太阳能电站，结合专门预处理的改进型LSTM方法通过解决数据不一致性问题，实现了显著的误差降低¹²。输入数据质量的影响也已被研究，结果显示使用历史气象数据与预测气象数据时性能差异显著，而创新的特征工程方法有助于在输入条件不理想的情况下减轻精度损失⁶。机器学习方法在并网系统中进一步展现出有效性，通过精确预测有望减少对传统旋转备用容量的依赖¹³。早期的基础性研究已证实人工神经网络在多种太阳能应用中的可行性，表明其能够处理噪声和不完整数据，并在训练完成后实现快速预测^3,4,14。关于最优预测时间范围和最小输入需求方法的研究，为数据稀缺地区的系统设计与部署提供了实用指导^15,16,17。结合机理建模与深度学习的混合方法在复杂的太阳能热发电应用中也展现出潜力，能够准确识别关键气象因素及其时空关系¹⁸。对比研究表明，先进的循环神经网络架构，特别是双向LSTM网络，在恶劣环境条件下（如阴天）表现出卓越性能¹⁹。

集成学习，特别是通过加权平均的方法，提供了一种极具吸引力的解决方案。通过整合互补模型的预测结果，集成方法能够降低泛化误差、提高鲁棒性，并缓解单个模型的弱点。本研究评估了五种先进的混合深度学习模型在太阳能发电预测中的性能：RF-BiLSTM、CNN-LSTM、CNN-BiLSTM、CNN-GRU 和 CNN-Transformer。每个模型均采用严格的评估指标进行检验，包括决定系数（R²）、平均绝对误差（MAE）和均方误差（MSE）。根据性能基准测试结果，选取表现最优的三个模型，并通过加权平均技术将其组合成一个优化的集成模型。目标是构建一种仅基于深度学习的集成模型，在保持良好泛化能力和计算可行性的前提下，提升预测精度。本研究旨在为电网运营商和可再生能源相关方提供实用且高性能的预测解决方案。

尽管可再生能源预测方法已取得显著进展，当前知识体系中仍存在若干关键性局限。虽然光伏发电系统已受到大量研究关注，但专门针对聚光太阳能发电的预测应用仍明显不足，导致关于热效率预测和运行优化的问题在很大程度上尚未解决^15,16。现有的预测框架通常假设传感器测量值本质上是准确的，忽略了对直接法向辐照度（Direct Normal Irradiance）仪器实施系统性误差校正程序，这为回溯性分析和前瞻性预测的可靠性带来了潜在问题²⁰。现有方法主要集中于时间维度的预测，而未考察在不同大气条件下太阳辐射的光谱特性，尽管已知光谱分布对系统性能具有显著影响¹⁷。尽管结合卷积网络与循环网络的混合架构在光伏和风能应用中已被证明有效，但其在聚光太阳能热系统中的应用仍基本未被探索，特别是集成随机森林特征处理与双向循环层的架构^7,10。已发表研究中普遍采用小时级预测时间间隔，忽视了更高时间分辨率的必要性，而高分辨率对于捕捉实时系统管理所需的关键快速热响应动态至关重要^18,19。此外，数据质量提升与预测建模仍属于彼此分离的研究领域，尚缺乏整合性框架来展示测量校正如何转化为预测性能的提升²⁰。最后，相较于单纯的准确性指标，计算效率方面的考量——包括训练时长、推理速度和硬件需求——受到的关注不足，限制了实际部署的指导意义²⁰。

本研究通过建立一种综合方法，弥补了上述不足。该方法结合聚光太阳能发电特有的分析与热力学优化，实施严格的传感器误差校正协议，开展光谱分布检测，引入随机森林-双向长短期记忆网络（Random Forest-Bidirectional LSTM）架构用于热功率预测，执行分钟级分辨率的预测以提高时间精细度，将数据校正过程与性能结果相关联，并在五种混合架构上使用标准化图形处理硬件进行系统性计算基准测试。现有文献中识别出的关键研究空白详见Table 1。

研究空白	现有文献	缺失内容	本研究解决的问题
CSP 领域特定研究有限	大量关于光伏（PV）预测的研究15,16	CSP 热效率数据校正	结合热优化的全面 CSP 数据分析
传感器误差校正不足	现有研究假设数据准确17	直射辐射（DNI）仪器的零误差校正协议	实施零误差校正以实现精确评估
缺乏 DNI 光谱分析	仅关注时间序列预测18	大气变化条件下的光谱分布	光谱分析揭示云层与大气影响
CSP 混合模型研究有限	光伏领域使用 CNN-LSTM10，风能领域使用 CNN-GRU7	随机森林-双向长短期记忆网络（RF-BiLSTM）在 CSP 中的应用	新型 RF-BiLSTM 模型实现 R2 = 0.657
缺乏分钟级分析	仅提供小时级预测18,19	热动态过程所需的高分辨率数据	分钟级评估以支持实时优化
缺乏集成化框架	预测与数据质量研究相互独立20	数据校正与系统性能之间的关联	从数据到性能提升的集成化框架
计算性能分析不足	仅比较预测精度20	训练效率与部署可行性分析	在 T4 GPU 上对 5 种模型进行计算性能分析

表1：本研究解决的研究空白。 现有研究的局限性、当前文献中缺失的要素，以及本研究在解决CSP预测和数据质量评估方面已识别空白的具体贡献的总结。

方案

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电站的整体效率与可靠性。电站详细信息请见：https://solarpaces.nrel.gov/project/megha-solar-plant

图 1：数据集的前五行。 示例数据展示了太阳能发电数据集的初始条目，列出了用于模型训练与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
本研究使用了从2015年1月1日至2025年3月10日的太阳能发电时间序列数据。为排除早期年份可能存在的数据质量问题，并聚焦于更近期的变化模式，数据记录从2017年1月1日起进行筛选。根据初步相关性分析显示，时间相关列（日期、年份、日）对预测的贡献可忽略不计，因此予以剔除。缺失值采用移动平均法进行填补，以在保持时间连续性的同时最小化对潜在模式的扭曲。基于目标变量（实际发电量（kW/h））构建了三个滞后特征，以捕捉时间依赖性。

数据集划分
为了建立均衡且具有代表性的训练、验证和测试队列，采用分层抽样方法对预处理后的数据集进行分割。该方法确保70%的数据（2091条）用于训练，而验证集和测试集各占15%（每组448条数据）。

数据标准化
使用 StandardScaler 对特征进行标准化，同时通过 MinMaxScaler 将目标值归一化至 [0,1] 范围，以确保神经网络的稳定性。

模型训练
为太阳能发电预测实现了五种混合模型（随机森林-BiLSTM、CNN-LSTM、CNN-BiLSTM、CNN-GRU 和 CNN-Transformer）。输入数据被重构为序列格式，形状为 (samples, timesteps, features)，其中大多数模型的时间步长（timesteps）为 1，而 CNN-LSTM 模型采用 15 个时间步的滑动窗口。训练集、验证集和测试集在保持时间顺序的前提下进行归一化处理，以避免数据泄露。所有模型均使用 32 的批量大小和 30 个训练周期进行训练。

随机森林-双向长短期记忆网络（图2）：所提出的混合模型将双向长短期记忆网络（BiLSTM）与随机森林（RF）回归器相结合，以提高预测准确性。首先，使用输入的时间序列数据训练BiLSTM模型，以捕捉时间模式并生成初始预测结果。随后，计算BiLSTM模型的残差误差（即实际值与预测值之间的差异）。接着，利用原始输入特征训练一个随机森林模型，以学习并预测这些残差。为了提升RF模型的性能，根据特征重要性得分选取了六个最重要的特征。最终，通过将随机森林预测的残差加回到BiLSTM的输出中，得到校正后的预测结果。该混合方法结合了BiLSTM在序列建模方面的能力以及随机森林在集成学习方面的优势，从而实现了更优的泛化能力和预测性能。

设 为在时间步 t 的输入序列。

BiLSTM 预测：

 ，  

 

 

残差计算： 

使用随机森林的残差学习：设 Z⊂X 为通过特征重要性选出的前 k 个特征。

 

最终预测：

图 2：随机森林-双向长短期记忆模型架构。示意图展示了 RF-BiLSTM 混合架构，显示了随机森林特征处理与双向 LSTM 层在时序序列学习中的集成。 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，随后依次进行 LeakyReLU 激活、批归一化和最大池化操作。提取到的特征随后通过由三层 LSTM 组成的堆叠结构，以学习时间依赖性，并在前两层 LSTM 之后应用层归一化和 dropout 以实现正则化。最终的 LSTM 输出经过带激活函数和 dropout 的全连接稠密层，最后通过单个神经元映射到输出结果。

设 为输入序列，其中 T 为时间窗口，F 为特征数量。

CNN 操作： 

最大池化： 

LSTM 细胞： 

 

输出： 

图3：CNN-LSTM 模型架构。卷积神经网络-长短期记忆网络（CNN-LSTM）混合模型的结构示意图，展示了先进行卷积特征提取，随后进行单向时间序列处理的过程。请点击此处查看该图的放大版本。

CNN-BiLSTM（图4）： CNN-BiLSTM 混合模型首先使用具有32个滤波器的一维卷积层提取空间特征，随后通过批归一化和最大池化来降低维度。然后将输出传递给两个双向LSTM层的堆叠结构，以捕捉前向和后向的长期时间依赖性。通过dropout和批归一化进行正则化处理。最后，一个包含128个神经元的全连接层对学习到的表示进行精细化处理，再由输出层将其映射为单个预测值。

CNN 操作： 

最大池化：

双向 LSTM： ,   

 

输出：  

图 4：CNN-BiLSTM 模型架构。卷积神经网络-双向长短期记忆模型的架构示意图，突出显示卷积层与双向循环处理的结合，以增强对时间依赖性的捕捉能力。请点击此处查看该图的放大版本。

CNN-GRU（图5）：CNN-GRU 混合模型首先使用卷积核大小为1的 Conv1D 层，从单个时间步中提取空间特征。通过最大池化降低空间维度。随后是一组 GRU 层，其中第一层返回序列以捕获时间依赖性，第二层将序列汇总为紧凑表示。最后通过一个全连接层输出预测值。在 GRU 层之间应用 Dropout 正则化以防止过拟合。

卷积神经网络操作： 

最大池化：

GRU 细胞：

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的示意图，展示了卷积预处理与GRU层的结合，以实现高效的时间序列建模。 请点击此处查看该图的放大版本。

CNN-Transformer（图6）CNN-Transformer 模型首先使用一维卷积层（Conv1D）从输入序列中提取局部特征，随后通过一个最大池化层。这些特征随后被送入一个 Transformer 编码器模块，该模块包含多头自注意力机制、层归一化以及前馈密集网络。在全局平均池化操作之后，由最终的全连接层输出预测结果。该架构旨在同时捕捉空间模式（通过 CNN）和全局依赖关系（通过 Transformer 注意力机制）。

CNN 操作：

多头自注意力：

其中：Q、K、V = XW^Q、XW^K、XW^V，d_k 是键的维度。

前馈网络：

添加与归一化层：

输出：

图6：CNN-Transformer 模型架构。 卷积神经网络-Transformer 混合模型的结构概览，结合卷积特征提取与多头注意力机制，用于高级时序模式识别。请点击此处查看该图的放大版本。

集成模型开发
为提高预测准确性和模型鲁棒性，我们采用加权平均集成方法，结合五种混合深度学习模型的预测结果：RF-BiLSTM、CNN-LSTM、CNN-BiLSTM、CNN-GRU 和 CNN-Transformer。该集成模型通过为各模型的预测结果分配优化权重构建而成，性能更优的模型（以其 R² 分数衡量）被赋予更高的权重。这种加权策略确保了更准确的模型对最终预测结果贡献更大，同时仍充分利用所有模型架构的互补优势。集成模型的输出通过标准性能指标进行评估：R²、平均绝对误差（MAE）和均方误差（MSE），以评估其预测准确性、一致性和泛化能力。该深度学习集成方法旨在从多个角度整合时间特征提取能力，从而实现比任何单一混合模型更高的准确性和鲁棒性。

集成技术的数学表述：

设

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

每个基础模型 M_i 产生一个预测：

用于堆叠的元特征矩阵形式为：

岭回归元学习器将最终预测值估计为：

其中：

-- w_i 是学习得到的堆叠权重

-- w₀ 是偏置项

为避免过拟合，岭回归最小化以下正则化损失函数：

其中：

y_j = j 的真实靶点^th 样本

 -- N = 样本总数

-- α = 控制权重收缩的正则化参数

集成预测的计算公式为：

其中权重 w_i 通过最小化岭损失函数自动学习得到。

结果

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...

讨论

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,<...

材料

本文使用的材料清单

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