面向美国的太阳能生产优化：基于AI的时间序列分析用于智能能源管理
信号处理
2025-07-01 v1
摘要
随着美国快速转向清洁能源，太阳能正迅速成为其可再生能源结构的支柱。尽管太阳能正日益增长，但其变动性仍是电网稳定性、储能效率和整体系统稳定性的主要障碍。太阳能已成为美国增长最快的可再生能源之一，显著增加了该国的能源结构。 retrospectively（事后回顾），在不影响可靠性和成本效率的前提下将太阳能输送至电网的必要性凸显了良好预测软件和智能控制系统的重要性。本研究使用的数据包括来自美国多个地区（包括加利福尼亚、德克萨斯和亚利桑那）多个大型电厂收集的小时级和日级太阳能生产记录。所有模型的训练与评估均采用基于时间的交叉验证方案，即滑动窗口验证。无论是在哪些衡量指标上，随机森林和XG-Boost模型均表现出显著且相当的性能，准确率较高。这两种模型几乎完美且等效的表现也表明，这两种模型已全面学习到数据中的模式，预测可靠性很高。通过在电网管理软件中集成类似XG-Boost的AI驱动时间序列模型，电力公司可以在实时动态调整储能循环，同时根据预测结果进行负荷调度与峰值规划。AI驱动的太阳能预测对可再生能源政策与规划具有深远影响，特别是随着美国联邦和州政府加速实施野心勃勃的脱碳目标。
引用
@article{arxiv.2506.23368,
title = {Optimizing Solar Energy Production in the USA: Time-Series Analysis Using AI for Smart Energy Management},
author = {Istiaq Ahmed and Md Asif Ul Hoq Khan and MD Zahedul Islam and Md Sakibul Hasan and Tanaya Jakir and Arat Hossain and Joynal Abed and Muhammad Hasanuzzaman and Sadia Sharmeen Shatyi and Kazi Nehal Hasnain},
journal= {arXiv preprint arXiv:2506.23368},
year = {2025}
}