光伏和风力发电预测：LSTM、随机森林和XGBoost模型的比较综述
系统与控制
2025-09-30 v1 系统与控制
摘要
人口增长导致全球能源需求不断上升，对化石燃料的可持续性提出了忧虑。因此，能源部门正越来越多地转向像太阳能和风能这类天然丰富的可再生能源。然而，这些资源的周期性和不可预测性给电力系统的可靠性带来了重大挑战。准确的预测对于确保电网稳定和优化能源管理至关重要。但由于天气条件的高变动性直接影响风力和太阳能发电，实现精确预测仍然困难。人工智能（AI）的发展，特别是机器学习（ML）和深度学习（DL），为提高预测精度提供了有前景的解决方案。本研究突出了三个广泛用于太阳能和风能预测的算法：长短期记忆网络（LSTM）、随机森林（RF）和极端梯度提升（XGBoost）。这些模型能够从历史数据和环境数据中学习复杂模式，从而实现更准确的预测，为增强可再生能源系统的效率和可靠性作出贡献。本综述旨在通过 conducting a comparative analysis across three essential criteria: research prevalence, model complexity, and computational execution time 对RF、XGBoost和LSTM进行概述性介绍。
引用
@article{arxiv.2509.24059,
title = {Solar and Wind Power Forecasting: A Comparative Review of LSTM, Random Forest, and XGBoost Models},
author = {Afsaneh Mollasalehi and Armin Farhadi},
journal= {arXiv preprint arXiv:2509.24059},
year = {2025}
}