全国客服热线：
153-1370-2523
153-1370-2523
摘要
将太阳能整合到现代电网的运行中，特别是针对日前市场和电池储能调度，需要高度准确的多时域辐照度预测，以缓解云层引起的间歇性问题。本研究评估了一个时空多时域（24小时）全球水平辐照度（GHI）预测框架，该框架应用于墨西哥塔马林帕斯州图拉高分辨率的167个节点微气候区，并使用了稳健的2020-2024年基准数据。我们基准测试了六种预测范式：日变化持续性、线性回归、树集成模型（Extra Trees和XGBoost）、零样本基础模型（TimesFM）以及深度CNN-LSTM网络，使用了历史晴空辐照度序列和严格因果的气象特征。在独立的2024年测试集上，XGBoost实现了最低的宏观平均RMSE（），但Diebold–Mariano检验证实其在统计学上与CNN–LSTM架构等效。XGBoost在超短期预测中表现出显著优势（与通过高效捕捉非线性辐射惯性，而CNN-LSTM在持续阴天条件下最小化了误差，并产生了最精确的经验95%预测区间。在24小时节点，普通线性回归趋于收敛，而复杂模型则不然，这凸显了向确定性太阳几何形状的物理转变。值得注意的是，零样本TimesFM在没有任何领域特定训练的情况下，表现优于日变化持续性模型。条件树SHAP可解释性分析表明，XGBoost模型动态地重新分配了预测权重，在多变且间歇性的条件下，将权重从晴空下的实时辐照度转移到了可降水量上。120.87Wm−2120.87Wm−2