Die präzise Vorhersage der Sonnenstrahlungsintensität (SI) ist entscheidend für die Stromplanung und die Auswahl von Photovoltaikstandorten. Mit der Entwicklung von leistungsstarken Computern und Geräten mit großer Speicherkapazität haben datengetriebene tiefe Lernmodelle im Bereich der SI-Vorhersage viel Aufmerksamkeit erregt. Die undurchsichtige Natur von tiefen Lernmodellen mit fehlender physikalischer Interpretation begrenzt jedoch ihre Glaubwürdigkeit in bestimmten Situationen. Um die Interpretierbarkeit des Modells zu verbessern, ohne die Genauigkeit der Vorhersage und die Struktur des Modells zu gefährden und ohne die Berechnungskomplexität zu erhöhen, wurde ein Modell auf der Grundlage von Lang- und Kurzzeitgedächtnis-Neuralen Netzen (LSTM) entwickelt. Seine Leistung stieg um 8,07% im Vergleich zum traditionellen neuronalen Netzwerk und zeigte eine bessere Fähigkeit zur Behandlung von Ausreißern. Durch die Verwendung des Layered-Related-Propagation-Algorithmus (LRP) wurden die Faktoren, die die Modellausgabe in Zeit und Raum beeinflussen, bewertet und die Interpretierbarkeit des Modells gestärkt. Die Forschungsergebnisse zeigen, dass dieses Modell bei gleichbleibender Leistung eine gute Interpretierbarkeit aufweist, wobei die historische Strahlungsintensität, zeitliche Merkmale (wie Tag, Woche, Monat), Sonnenhöhenwinkel (wie Sonnenaufgang und -untergang), Wolkenbedeckung, Strahlungsdauer, Temperatur und Taupunkttemperatur zu den wichtigsten Faktoren gehören, die die Vorhersage der Sonnenstrahlungsintensität beeinflussen.

Vorhersage der Sonnenstrahlungsintensität, tiefes Lernen, Interpretierbarkeit, LRP-Algorithmus, LSTM