基于可解释性深度学习的太阳辐射强度预测

作     者：李昂 周雷金 闫群民 贺海育 LI Ang;ZHOU Leijin;YAN Qunmin;HE Haiyu

作者机构：陕西理工大学电气工程学院陕西汉中723000 

出 版 物：《热力发电》 (Thermal Power Generation)

年 卷 期：2024年第53卷第5期

页      面：132-140页

核心收录：

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 07[理学] 070601[理学-气象学] 081104[工学-模式识别与智能系统] 08[工学] 0807[工学-动力工程及工程热物理] 0706[理学-大气科学] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：陕西省教育厅重点科学研究计划项目(20JS018) 陕西省教育厅专项科研计划(5JK1125) 

主　　题：太阳辐射强度预测 深度学习 可解释性 LRP算法 LSTM 

摘      要：准确预测太阳辐射强度(SI)对电力调度和光伏选址至关重要。随着高性能计算机和大容量存储设备的发展,基于数据驱动的深度学习模型在SI预测领域获得广泛关注,然而,深度学习模型的“黑箱特性在物理解释性上的缺失,限制了其在特定场合的应用可信度。为了在保持预测精度和模型结构不变、不增加计算复杂度的前提下,提升模型的可解释性,构建了一个基于长短时记忆(LSTM)神经网络的模型。其性能比传统神经网络提高了8.07%,并展示出更优的离群点处理能力。通过采用分层相关传播(LRP)算法,从时间和空间2个维度对影响模型输出的因素进行了评分,增强了模型的可解释性。研究结果表明:该模型在确保性能的前提下,具备良好的可解释性,其中历史辐射强度、时间相关特征(如时日周月)、太阳高度角信息(如日出和日落时刻)、云层覆盖度、辐射时长、温度和露点温度等因素是影响太阳辐射强度预测的主要因素。