优化人工神经网络以准确预测全球太阳辐射：与传统方法的性能比较

获得精确的太阳辐射数据是确定太阳能可用性的第一步。这也被视为各种太阳能应用的主要输入之一。由于世界许多地方缺乏太阳辐射测量数据，许多太阳辐射模型被用于预测全球太阳辐射。实际上，最广泛使用的人工智能技术是人工神经网络（ANN）。迄今为止，虽然ANN在各项研究中被用来估算全球太阳辐射（GSR），但对ANN的架构关注有限。因此，本研究旨在：首先，优化一种更快且使用广泛的机器学习（ML）算法——ANN的设计，以便更准确地预测GSR的同时节省计算能力；其次，优化隐层神经元的数量，以获得最显著的ANN模型用于准确GSR估算，因为这一领域仍然缺乏；此外，调查不同隐层神经元数量变化对ANN模型预测GSR高精度能力的影响；最后，进行ANN与经验技术在估算GSR方面的比较研究。结果显示，最佳的ANN模型和经验模型对GSR的估计都非常出色，决定系数R²大于0.98%。此外，具有较少神经元的单隐层ANN架构（1–3个神经元）表现出最佳性能，R² > 0.98%。而且，当隐层神经元数量小于十个神经元时，开发的ANN模型的性能几乎保持稳定和优异（R² > 0.97%），它们的表现非常接近。然而，当隐层神经元数量超过九个神经元时，ANN模型表现出性能不稳定。此外，最佳ANN模型与经验模型的性能比较表明，两种模型的表现都很好（R² > 0.98%）。此外，尽管最佳ANN模型在11月和12月的相对误差略超出范围，±10%，但在冬季月份经验模型的相对误差仍保持在范围内。此外，本研究中最佳ANN模型的结果与最新相关研究进行了比较。虽然它的均方根误差（RMSE）值为0.8361 MJ/m²日，仍在先前工作的范围内，但其相关系数（r）是最佳的。因此，本研究中开发的模型可用于准确的GSR预测。这两种模型的全球太阳辐射的准确和高效估算对于不同太阳能应用的设计和性能评估具有重要价值。