本研究探讨了利用人工智能（AI）将太阳能整合到智能电网中，以改善能源管理和生产控制。对关键参数的准确预测可提高太阳能发电效率并减少损耗，从而支持传统电力系统的转型。首先评估了两种深度学习模型：门控循环单元网络（GRUNet）和长短期记忆网络（LSTMNet）。LSTMNet在各项误差指标中表现出更优异的性能：平均绝对百分比误差（MAPE）、平均绝对误差和均方误差。为了进一步提高预测精度，开发了两种混合模型：卷积神经网络与长短期记忆网络混合模型（HCLNet：卷积神经网络与长短期记忆网络（LSTM）的组合）和混合自编码器LSTMNet模型（HAELNet：自编码器-LSTM架构）。使用一年的真实太阳能发电厂数据对这些模型进行了训练和验证。结果表明，HAELNet的性能优于HCLNet，在日发电量、并网发电量和太阳辐射度的预测中均取得了最低的MAPE值，分别为1.221、2.282和2.131。HAELNet精度的提升归因于其能够捕捉时间序列数据中的复杂模式和长期依赖关系。该研究强调了机器学习在不断发展的能源领域中的关键作用，以及其通过优化可再生能源预测和减少温室气体排放来支持可持续发展目标的潜力。总体而言，研究结果突出了先进AI模型在实现高效且可靠的太阳能整合方面的价值。
Ahsan et al. (Thu,) 对这一问题进行了研究。