基于GRU-RF模型的太阳辐照度短时预测

针对现有太阳辐照度短期预测方法的建模复杂、准确度低等问题,提出一种基于深度学习的GRU-RF动态权值组合预测方法。大气因素与太阳辐照度数据融合,将运算速度较快且模型复杂度较低的随机森林（RF）模型与带有时序记忆的门控循环单元（GRU）神经网络进行动态权值的加权集成,分别将地表接收到的太阳辐照度、近地层气温、相对湿度、近地层风速和相对气压等变化特征进行预测研究。通过几种模型对比分析,结果表明使用GRU-RF模型预测短时（9 h）太阳辐照度结果较好,运行速度较快,在不同时间间隔（5、10以及15 min）下能够很好地预测太阳辐照度数据。