《Franklin Open》：A Novel Artificial Hummingbird Algorithm-Optimized Extreme Learning Machine for High-Resolution DC Power Forecasting in Rooftop Retrofitted Photovoltaic Systems
编辑推荐：
准确的光伏功率短期预测对电网稳定、能源管理及可再生能源高效并网至关重要。然而，屋顶改造型光伏系统受场地特异性约束影响，包括倾角变化、局部阴影遮挡、设备老化及非均匀配置，给传统预测方法带来独特挑战。本研究提出一种新型混合模型，将人工蜂鸟算法（Artificial
准确的光伏功率短期预测对电网稳定、能源管理及可再生能源高效并网至关重要。然而，屋顶改造型光伏系统受场地特异性约束影响，包括倾角变化、局部阴影遮挡、设备老化及非均匀配置，给传统预测方法带来独特挑战。本研究提出一种新型混合模型，将人工蜂鸟算法（Artificial Hummingbird Algorithm, AHA）与极限学习机（Extreme Learning Machine, ELM）相结合，用于此类系统的直流功率高分辨率预测。该AHA-ELM模型利用仿生觅食行为优化ELM的输入权重与偏置，克服了随机参数初始化导致的预测不稳定缺陷。研究人员使用马来西亚彭亨苏丹阿卜杜拉大学465 kWp屋顶改造光伏系统2024年全年15分钟间隔实测数据进行验证，并将AHA-ELM与四种元启发式优化ELM变体——藤壶交配优化器（Barnacle Mating Optimizer, BMO）-ELM、飞蛾火焰优化器（Moth Flame Optimizer, MFO）-ELM、非洲秃鹫优化算法（African Vultures Optimization Algorithm, AVOA）-ELM及粒子群优化（Particle Swarm Optimization, PSO）-ELM进行基准对比。标准化指标评估表明，AHA-ELM取得最优精度，其均方误差（Mean Squared Error, MSE）为84.1144，均方根误差（Root Mean Squared Error, RMSE）为9.1713，平均绝对误差（Mean Absolute Error, MAE）为4.0967，同时决定系数（R2）达0.8979。该模型收敛更快、稳定性更强，并在多样运行条件下具备更优泛化能力。研究结果表明，AHA-ELM是一种计算高效且可靠的改造光伏系统预测框架，对实时能量调度、需求响应管理及智能电网应用具有重要意义。
该研究由Mohd Redzuan Ahmad等学者完成，发表于《Franklin Open》。针对全球可再生能源并网加速背景下，屋顶改造光伏系统因场地特异性约束导致传统预测方法失效的问题，研究人员首次将人工蜂鸟算法（AHA）引入该领域，构建了AHA-ELM混合预测框架。研究旨在解决现有模型在复杂非线性关系捕捉、参数随机性导致的稳定性不足及高分辨率数据验证缺失等瓶颈。通过对真实电站全年数据的实验，证实该模型显著提升了预测精度与鲁棒性，为智能电网的实时能量管理提供了可靠工具。
在技术方法上，研究人员采用马来西亚彭亨苏丹阿卜杜拉大学FTKEE大楼465 kWp屋顶改造光伏系统2024年全年15分钟间隔的实测数据集，选取其中一台125 kW逆变器数据以确保完整性。通过滑动窗口法构建包含304个特征的输入空间，涵盖光伏组串电流电压、最大功率点跟踪器（MPPT）参数、三相交流电参数、环境辐照度与温度等76项原始特征的时间序列。所有混合模型均采用统一架构的极限学习机（ELM），设置100个隐藏层神经元，激活函数为Sigmoid，输出权重通过Moore-Penrose广义逆计算。研究人员将AHA与ELM深度融合，利用AHA模拟蜂鸟的轴向飞行、对角飞行、全向飞行及领地觅食、迁移等行为，优化ELM的输入权重与偏置。实验设计包含30次独立运行，采用相同种群规模（30）与最大迭代次数（100），并使用MSE作为适应度函数，确保对比公平性。
研究结果部分，研究人员首先在探索性数据分析中展示了数据集特性。概率分布分析揭示电流与功率输出呈右偏分布，电压呈双峰分布，反映了改造系统在非均匀屋顶条件下的典型运行特征。通过敏感性分析确定ELM隐藏神经元数为100时达到精度与效率的最优平衡，此时R2稳定在0.8979。
在性能对比实验中，AHA-ELM在测试集上表现最优。其平均MSE为84.1144，RMSE为9.1713，MAE为4.0967，R2为0.8979，均优于BMO-ELM、MFO-ELM、AVOA-ELM及PSO-ELM。收敛曲线显示AHA-ELM下降最快且最稳定，避免了AVOA-ELM的早熟收敛与PSO-ELM的缓慢下降。实际值与预测值的时序对比及局部放大图表明，模型能精准追踪日出日落及云层遮挡引起的波动，仅在极少数尖锐峰值处存在轻微平滑低估。误差分布分析进一步证实AHA-ELM的误差最集中，峰度最高（17.2229），箱线图显示其四分位距最窄，证明了卓越的稳定性。
讨论部分，研究人员指出AHA-ELM的成功归因于其独特的双重机制：主循环中的三种飞行策略（轴向、对角、全向）保障了全局探索能力，并行运行的适应性觅食策略（引导、领地、迁移）强化了局部开发并防止了停滞。这种平衡使算法在高维参数空间中有效避开了局部最优。尽管模型整体表现优异，但在应对极剧烈天气突变时仍存在微小偏差，这源于ELM本身的平滑特性及输入特征对高频噪声分辨力的局限。此外，静态超参数可能无法完全适配不同季节的变化。
结论部分，研究人员总结道，所提出的AHA-ELM混合框架显著增强了传统ELM的预测精度与泛化能力，能有效处理改造光伏系统的非线性与波动性。通过结合仿生智能与轻量级神经网络，该模型实现了快速学习与高精度预测的兼顾，为替代复杂的物理建模提供了高效的数据驱动方案。尽管存在瞬时波动捕捉的细微不足，该框架仍展现了在动态环境下实时能源应用的巨大潜力。未来的研究应致力于引入天空成像等高级特征，开发动态参数调整策略，并探索与集成学习或深度架构的结合，以进一步提升大规模光伏部署中的智能管理水平。
