用于短期太阳辐照度时间序列预测的高效深度学习：在胡志明市的基准研究
机器学习
2026-01-01 v1 人工智能
摘要
可靠预测全球水平辐照度 (GHI) 对于减轻电网中太阳能的波动性至关重要。本研究对胡志明市短期（提前 1 小时）GHI 时间序列预测的十种深度学习架构进行了全面基准测试，利用高分辨率 NSRDB 卫星数据 (2011-2020) 将既有基线（如 LSTM、TCN）与新兴的最先进架构（包括 Transformer、Informer、iTransformer、TSMixer 和 Mamba）进行比较。实验结果确定 Transformer 为最优架构，实现了最高的预测精度， 为 0.9696。研究进一步利用 SHAP 分析对比了这些架构的时序推理，揭示 Transformer 表现出专注于即时大气条件的强烈“近因偏差”，而 Mamba 则明确利用 24 小时的周期性依赖性来指导预测。此外，我们证明知识蒸馏可以将高性能 Transformer 压缩 23.5%，同时令人惊讶地降低了误差 (MAE: 23.78 W/m^2)，为在资源受限的边缘设备上部署复杂、低延迟的预测提供了一条可行途径。
关键词
引用
@article{arxiv.2512.23898,
title = {Efficient Deep Learning for Short-Term Solar Irradiance Time Series Forecasting: A Benchmark Study in Ho Chi Minh City},
author = {Tin Hoang},
journal= {arXiv preprint arXiv:2512.23898},
year = {2026}
}
备注
preprint, 40 pages