维度网讯，北卡罗来纳州立大学（NC State）研究团队通过集成多种预测模型，将日前太阳能预测性能相较最稳定的单一模型最高提升了13%，并发现预测模型的区域适配性显著影响其实际效果。

太阳能发电因可再生且分布广泛而快速发展，但其出力受阳光可用性影响，波动性较大，给电力供需平衡带来挑战。公用事业公司需要准确的日前预测以提前安排发电计划。论文通讯作者、北卡罗来纳州立大学博士后研究员Yen-Hsi Chou表示，太阳能的日益普及让供需预测难度上升，阳光的可获得性并不总是稳定的。论文合著者、该校土木、建筑与环境工程副教授Anderson De Queiroz指出，随着太阳能渗透率提高，预测不确定性已成为能源规划者和电网运营商平衡供需时的关键考量因素，结合多个机器学习模型可以提供更稳健的预测，有助于提升太阳能并入电力系统的可靠性。

研究团队考察了两类建模思路：识别历史模式的统计模型，以及适合理解非线性时间关系的人工神经网络方法。团队从中挑选了七个模型进行测试，并使用2019至2022年加利福尼亚州两家公用事业公司——帝国灌溉区（IID）和洛杉矶水电局（LADWP）的天气与电力数据开展验证。

分析结果显示，没有一个单一模型在所有情境下都表现最优。团队选择运行最稳定的BiLSTM模型作为基线，并通过集成多个单一模型的预测结果来提升性能，部分情况下提升幅度超过10%。集成方法分两种：加权平均法将针对不同位置单独训练的模型预测进行组合，并给予表现更好的模型更高权重；多输入法则允许每个模型利用来自多个位置的天气数据。

两种集成方法在不同地区的表现存在差异：加权平均法为IID带来的预测性能提升最高达11%，多输入法为LADWP带来的提升最高达13%。

De Queiroz表示，并不存在一种通用预测策略能在所有地区都表现同等良好，了解每个地区的特征、利用来自多个模型和位置的信息，对开发既能保证准确度又能支撑电网运营决策的预测工具十分关键。Chou补充道，集成方法与单一模型相比确实具备进一步优化预测的潜力，但需要针对具体使用区域进行测试和微调。

该研究发表于《清洁生产杂志》（Journal of Cleaner Production），部分受美国国家科学基金会（National Science Foundation）资助，资助编号为2412711。其他贡献者包括该校电气与计算机工程系博士生Arundhuti Haldar，以及计算机科学系前研究生Shubh Nisar。