科创中国

水利、环境和公共设施管理业

太阳辐照度的随机性和波动性对全球太阳能的高效开发和利用提出了挑战，这增加了开发高效太阳辐照度预测模型的必要性。然而，以往的研究很少强调迁移学习和非线性特征选择的重要性，特别是与新建光伏电站相关的研究。此外，尽管多步超前预测研究对于提高光伏系统的调度效率具有重要意义，但其研究仍然有限。 为了弥补空白​​，本项目新提出了一种新型混合深度学习框架(HDLF)，该框架由特征选择、特征卷积、预测、自注意力、迁移学习、性能评估和性能分析模块组成执行多步提前太阳辐射预测。具体来说，基于源域的全局水平辐射研究数据集对HDLF进行预训练，并将预训练获得的抽象信息转移到目标域的HDLF以增强其性能。 为了验证所提出的 HDLF 的有效性，本项目基于美国加利福尼亚州的数据集进行了两次模拟实验，分辨率为 1 h。性能评估和性能分析模块的相应实验结果表明，两次实验的平均绝对误差最大改善分别达到***%和***%，从而证实了HDLF的优越性和可行性。

亮点一：首次提出了一种用于执行多步提前辐射预测的新颖混合深度学习模型，即 Conv1D-BiGRUSAM。数值模拟结果表明，与所涉及的基准相比，Conv1D-BiGRU-SAM 在准确性和稳定性方面表现更佳。 亮点二：研究开发了有效的迁移学习框架，为新建光伏电站实施多步超前GHI预测提供了成功经验，有助于提高准确性和有效性。 亮点三：开发了一种基于 RReliefF 算法的有效非线性特征选择技术，用于特征缩减。案例研究表明，与所涉及的基准算法相比，RReliefF可以有效地确定最优特征子集并获得更高的预测精度。 亮点四：相应结果表明，项目所开发的预测框架具有更高的准确性和稳定性，从而表明其在实践中具有巨大的应用潜力。

郑州大学能源环境经济研究中心(Center for Energy, Environment & Economy Research, ZZU，简称“3E中心”) 围绕双碳国家重大战略，建设能源环境经济、政策与管理优势特色（交叉）学科方向和高水平团队。中心的研究骨干来自于 加州大学伯克利分校、瓦赫宁根大学、乌特勒支大学、北京大学、清华大学、中国科学院大学、四川大学、天津大学、重庆大学、大连理工大学等国内外著名高校的毕业博士和博士后。研究方向集中于能源环境经济政策与管理、能源系统与规划、能源大数据、可再生能源发展、碳金融、碳市场、电力市场等，擅长利用数据处理软件和建模方法分析问题并提出政策解决方案。 累计发表论文130余篇，出版学术专著4部，申请专利7项，承担国家重大课题3项、国家自科与社科基金项目20项，中国博士后基金项目5项，国家发改委、教育部、省级项目课题17项，获省部级科研奖励12项。