A missing-data-robust hybrid neural network for photovoltaic power forecasting using improved Golden Jackal optimization
本文提出了一种用于光伏功率预测的鲁棒混合神经网络框架，该框架集成了全面的数据插补技术与改进的金豺优化算法，旨在增强在存在监测数据缺失情况下的准确性与可靠性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
太阳是现代电网可靠的伙伴，但也是一个不可预测的伙伴。太阳能电池板仅在天空晴朗、光照强烈时才产生电力，这意味着它们的输出量在一天之中剧烈波动，并随季节变化。为了保持供电，电网调度员必须准确预知数小时甚至数天后将有多少可用功率。这需要精确的预测，但这一过程经常受到一个简单而令人沮丧的现实的阻碍：来自太阳能发电厂的数据经常是破碎的。传感器失效、通信线路中断以及记录错误导致了时间线上的空白。当试图预测未来的计算机模型被喂入一段充满漏洞的历史记录时，它会学习到扭曲的模式并做出错误的猜测。科学家面临的挑战不仅是构建一个更好的预测器，而是构建一个能够观察混乱、不完整的记录，并依然能洞察当日能源生产真实形态的预测器。
哈尔滨理工大学与广东汇博机器人科技有限公司的研究人员开发了一种专门用于处理此类数据混乱的新系统。他们的研究重点针对中国宁夏的一个太阳能发电站，在那里他们面临了常见的记录缺失问题。他们并没有丢弃坏数据，也没有尝试用简单的刚性规则来猜测缺失的部分，而是创建了一个框架，首先修复破碎的时间线，然后使用一种复杂的神经网络来预测功率输出。团队测试了四种不同的填补缺失数值的方法，从简单的直线猜测到复杂的机器学习技术。他们发现，一种被称为“多重插补”的方法（即生成多个可能的缺失数据版本并将其结合）远优于其他方法。即使在高达30%的数据缺失情况下，这种方法也表现得非常稳健，与在面对如此大缺口时表现挣扎的传统方法相比，其误差率保持在极低水平。
一旦数据被清洗和修复，研究人员就会将其输入到一个混合神经网络中，这是一种旨在模仿人类大脑处理信息序列方式的人工智能。这种特定的网络结合了三种截然不同的能力来理解太阳能数据。首先，它使用时间卷积网络来捕捉局部模式，例如云层经过时功率的突然下降。其次，它采用双向门控循环单元，从过去和未来两个方向观察数据，从而理解早晨的趋势如何影响下午的输出。最后，注意力机制就像一个聚光灯，教会系统专注于时间线中最关键的时刻，同时忽略噪声。为了让这个复杂的系统完美运行，团队使用了一种改进版的名为“金豺优化算法”的优化算法。该算法扮演着不知疲倦的调谐器角色，自动调整网络的内部设置，以找到能够使预测误差最小化的精确配置。
该方法的测试结果涵盖了四季，揭示了一个能够适应天气变化特性的系统。在春季，新模型的平均预测误差比标准基准模型降低了一半以上。在秋季，这种提升更为显著，误差降至基准模型产生误差的不到四分之一。即使在阳光微弱且天气多变的严酷冬季，该系统仍保持了极高的准确度，大幅领先于其他先进模型。研究人员将他们的方法与几种流行的神经网络架构进行了对比，包括基于长短期记忆网络和标准卷积网络的架构。他们的混合系统始终产生最低的误差，证明了将数据修复与专门的多层预测引擎相结合，可以为电网调度员创造出更可靠的工具。
这项工作表明，预测的质量既取决于数据准备的完善程度，也取决于用于分析数据的模型的复杂程度。通过严格测试修复缺失信息的各种方法，并应用定制的优化策略，该团队创建了一个即使在输入数据不完美时也能保持准确的系统。研究结果表明，为了让太阳能更深入地融入全球能源结构，预测工具必须对现实监测中不可避免的间隙具有韧性。所提出的框架提供了一条切实可行的路径，确保电网调度员即使在传感器工作不完美的情况下，也能对能源分配做出自信的决策。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。