两阶段残差学习用于太阳辐照度校准不确定性预测

2026年11月6日，RR Flanagan、E Kasha、PW Talbot、AS Epiny、MR Deinert 在 arXiv 的 Systems and Control · Engineering Energy 板块提交论文，提出一种两阶段残差学习方法，用于太阳辐照度预测的校准不确定性估计。该方法将预测误差与期望辐照度分开建模：第一个 LSTM 网络预测全球水平辐照度均值，第二个网络建模预测误差分布，两者相加同时给出预测值及其不确定性。作者称，该方法受合成太阳信号生成启发。评估基于美国国家太阳辐射数据库的历史天气数据和概率积分变换；结果显示，预测标准差与历史值的偏差在单独 LSTM 下降低 34.6%，在 LSTM 结合高斯过程回归时降低 56.5%，为所测配置中最可靠者。上述数字与结论均来自论文作者自述，尚待独立验证。

AI 根据报道生成 · 2 天前更新