Точное прогнозирование интенсивности солнечной радиации (SI) важно для управления электроэнергией и выбора мест для солнечной энергии. С развитием высокопроизводительных компьютеров и устройств большого объема хранения, модели на основе данных глубокого обучения получили широкое внимание в области прогнозирования SI, однако отсутствие физической интерпретации модели глубокого обучения ограничивает ее доверие в конкретных случаях. Чтобы улучшить интерпретируемость модели при сохранении точности прогнозирования и структуры модели без увеличения вычислительной сложности, была построена модель на основе долгой и краткосрочной памяти (LSTM). Его производительность увеличилась на 8,07% по сравнению с традиционной нейронной сетью и показала лучшую способность обрабатывать выбросы. Путем использования алгоритма сетевого распространения (LRP) были оценены факторы, влияющие на модельный выход во времени и пространстве, усилив интерпретируемость модели. Результаты исследования показывают, что эта модель обладает хорошей интерпретируемостью и демонстрирует отличную производительность, причем историческая интенсивность радиации, временные свойства (например, день, неделя, месяц), углы высоты солнца (например, время восхода и заката), облачность, продолжительность радиации, температура и температура точки росы являются основными факторами, влияющими на прогноз интенсивности солнечной радиации.

Прогноз интенсивности солнечной радиации, глубокое обучение, интерпретируемость, алгоритм LRP, LSTM