准确的太阳辐照度预测是成功地将大型太阳能系统的(可变的)生产集成到电网中的关键。本文介绍了一种利用相互信息和极端学习机(ELM)相结合的辐照时间序列的包装预测方法，该方法可用于提前5分钟到3小时的短期预测。该方法称为包装器互信息方法学(WMIM)。为了评价该方法，将其性能与三维降维方案进行比较:全空间(最新50个变量)、部分空间(最新5个变量)和常用主成分分析(PCA)。基于两个干旱地区(Madina和Tamanrasset)的实测辐照度数据，本研究结果表明，历史输入空间的减少提高了全球太阳辐射的预测性能。对于Madina和未来5- 30分钟的预测视野，WMIM预测的决定系数(R2在0.927 - 0.967之间)要比使用性能仅次于它的策略PCA (R2在0.921 - 0.959之间)更好。WMIM[7.4-10.77]的平均绝对百分比误差(MAP)也优于PCA[8.4-11.55]。对于Tamanrasset和未来1-h至3-h的预测视野，WMIM预测的R2在0.883至0.957之间，略好于次佳表现策略(PCA) (R2在0.873至0.910之间)。归一化平均平方误差(NMSE)对于WMIM[0.048-0.128]与PCA[0.105-0.130]相似。研究还发现，与传统的多层感知器(MLP)相比，ELM技术的计算效率要高得多。结果表明，所提出的基于互信息的变量选择方法在预测性能上有可能超过其他各种方法。
——文章发布于2019年4月
