土耳其塞尔丘克大学（Selçuk University）的一位研究人员对多种用于预测双面光伏组件阵列面（PoA）辐照度的机器学习算法进行了对比分析。该研究人员在相同的输入条件下，对组件正面和背面的阵列面辐照度分别进行了预测。

“本研究提出了一个基于机器学习的综合框架，利用常规测量的气象、地表及时间类输入变量，预测双面光伏系统中正面和背面的阵列面辐照度，”研究人员艾谢居尔·托普拉克（Ayşegül Toprak）在论文中表示。“研究表明，仅使用一组精简且易于测量的输入变量，即可实现对正面和背面阵列面辐照度准确且可解释的预测。”

该研究使用的是2023年11月17日至2024年5月29日期间同步采集的现场实测数据，数据来自美国能源部（DOE）国家可再生能源实验室（NREL）在科罗拉多州戈尔登运营的一座垂直安装双面光伏试验台。该试验台由一套贴近地面垂直安装的双面光伏阵列、气象传感器、地面反射辐照度测量装置以及六个IMT基准电池组成。

输入数据集包括水平面总辐照度（GHI）、水平面散射辐照度（DHI）、环境温度、风速、试验台反照率、一个二元反射体变量，以及表征昼夜太阳周期变化的hour_sin和hour_cos。在模型训练之前，该研究人员剔除了物理上不合理的零值、传感器故障数据以及包含缺失或不一致测量值的记录。

托普拉克随后评估了六种回归算法：线性回归、k近邻（KNN）、采用径向基函数核的支持向量回归（SVR）、随机森林（RF）、极端梯度提升（XGBoost）以及前馈多层感知机（MLP）。在MATLAB中，每个模型分别针对正面和背面阵列面辐照度进行训练，使用相同的输入变量和相同的五折交叉验证划分。预测精度通过均方根误差（RMSE）、平均绝对误差（MAE）和皮尔逊相关系数（r）进行评估。

结果显示，非线性模型在预测正面和背面辐照度方面均明显优于线性回归。随机森林在正面阵列面辐照度预测中表现最佳，其RMSE为0.188，MAE为0.061，相关系数为0.982。紧随其后的是MLP、XGBoost和SVR，三者的相关系数均高于0.97。

背面阵列面辐照度的预测难度更大。随机森林依然表现最佳，RMSE为0.236，MAE为0.080，r值为0.973，而MLP的RMSE与之相同，但MAE略高，为0.086。线性回归在两项预测任务中均排名垫底，其正面和背面阵列面辐照度的RMSE分别为0.682和0.593。

“结果表明，正面辐照度主要受总辐照度和昼夜太阳几何形态的支配，而背面辐照度则受到地表反照率及反射性覆盖物存在与否等地表相关因素的强烈影响，这证实了双面系统中背面辐照度形成的条件性与交互驱动特征，”托普拉克总结道。

这项题为《双面光伏系统的正面与背面阵列面辐照度：一种基于机器学习的预测方法》的研究已发表于《Energy Reports》。