近日，深圳大學(xué)機電與控制工程學(xué)院王懷智助理教授、湖南大學(xué)周斌教授、上海交通大學(xué)黎燦兵教授和俄羅斯科學(xué)院院士IEEE Fellow Nikolai Voropai教授在國際頂級期刊Energy Conversion and Management (ECM)上聯(lián)合發(fā)表了一篇題為"Taxonomy Research of Artificial Intelligence for Deterministic Solar Power Forecasting"的研究論文。ECM為中科院大類一區(qū)、TOP期刊，影響因子為7.181。

該論文對基于人工智能的太陽能發(fā)電預(yù)測方法、參數(shù)優(yōu)化方法和預(yù)測結(jié)構(gòu)開展了分類學(xué)研究。機電學(xué)院王懷智助理教授為第一作者，周斌教授和黎燦兵教授為共同通訊作者。其它共同作者包括曹廣忠教授、劉揚洋研究生、Nikolai Voropai教授和Evgeny Barakhtenko教授。

太陽能發(fā)電預(yù)測是電力能源系統(tǒng)經(jīng)濟、安全運行的重要環(huán)節(jié)。本文首先對人工智能預(yù)測方法、參數(shù)優(yōu)化和預(yù)測結(jié)構(gòu)展開了分類、命名和統(tǒng)計分析研究，總結(jié)了各種預(yù)測方法的優(yōu)缺點。其次，本文提出了一種新的人工智能預(yù)測結(jié)構(gòu)。該預(yù)測結(jié)構(gòu)分為特征學(xué)習(xí)、權(quán)重更新和多元回歸三個部分，如圖1所示。特征學(xué)習(xí)用于提取環(huán)境數(shù)據(jù)和時序數(shù)據(jù)的潛在特征，并作為權(quán)重更新的輸入。權(quán)重更新則用于優(yōu)化多元回歸的權(quán)重系數(shù)。多元回歸負責(zé)太陽能發(fā)電預(yù)測輸入和輸出的數(shù)學(xué)建模。該預(yù)測結(jié)構(gòu)最大的優(yōu)點是其強大的兼容性，可兼容已有的大部分神經(jīng)網(wǎng)絡(luò)算法，如支持向量機、深度學(xué)習(xí)和循環(huán)神經(jīng)網(wǎng)絡(luò)等。最后，本文對太陽能發(fā)電預(yù)測的熱點方向和潛在問題進行了深入剖析。

                                 圖1 提出的人工智能預(yù)測結(jié)構(gòu)

本研究得到了國家自然科學(xué)基金委、廣東省電磁控制與智能機器人重點實驗室和深圳市科創(chuàng)委等經(jīng)費支持。原文鏈接：https://www.sciencedirect.com/science/article/pii/S0196890420304477。