利用机器学习技术预测地磁扰动，采用适用于长时间序列分析的长短时记忆循环神经网络 (LSTM)，通过对在 L$1$ 点获取的太阳风等离子体和磁场的现场测量数据进行研究，使用二元分类方式预测 SYM-H 地磁活动指数在 - 50 nT 的阈值以下一小时的降低，从而指示磁层的扰动。同时考虑到强烈的时间变化特征，采用适当的损失函数来解决类别不平衡的问题，并使用加权技能评分方法来评估预测结果。首次考虑太阳暴和磁旋的内容以及它们的能量特征，通过相关性驱动的特征选择方法对神经网络预测模型中最相关的特征进行排序，同时展示了所采用的神经网络在准确预测地磁风暴的发生时起到的关键性作用，这对于在实际操作环境中给出真实预警至关重要。

Mar, 2024

利用机器学习技术，通过太阳活动区磁谱图，预测空间天气事件（太阳耀斑、地磁风暴、日冕物质抛射），建立了具有 90.27% 准确度、85.83% 精确度、91.78% 召回率和 92.14% 平均 F1 分数的卷积神经网络模型，证明磁谱图数据对于空间天气预测具有可行性。

May, 2024

提出了一种基于数据降噪技术、时序卷积网络（TCN）和门控循环单元（GRU）的新型风速预测模型，通过数据降噪、特征提取和序列预测实现了具有高精度和强稳定性的风速预测，为风电场的运行和管理提供了支持。

Nov, 2023

本文介绍了使用深度卷积神经网络预测太阳能辐射强度的初步结果，并探讨了训练算法的图像识别技术，和利用过去相同日期数据进行训练以提高短期预测技能的方法。

May, 2020

通过评估和比较四种基于机器学习的风力发电预测模型，我们发现卷积神经网络在纠正和改进从数值天气预报模型中提取的 48 小时风力预测方面取得了最好的结果，平均归一化均方根误差降至 22％，同时减少了均方根误差，并且未来研究应当探究模型流程的变化以提高预测性能。此外，我们引入了连续学习策略，该策略在新数据可用时取得了最高的预测性能提升。

Feb, 2024

基于改进的门控循环神经网络（AtGRU）和错误校正策略，本论文提出了一种短期风速预测模型。该模型通过使用 AtGRU 模型作为初步预测器和 GRU 模型作为错误纠正器，利用 Singular Spectrum Analysis (SSA) 对风速序列降噪，并通过 Variational Modal Decomposition (VMD) 对预测误差进行训练。在三个案例研究中，该模型在 Woodburn、St. Thomas 和 Santa Cruz 的风速预测中表现出色，明显提高了风速预测的准确性。

Apr, 2024

本文提出通过深度学习，学习天空外观与未来光伏发电功率之间的关系，并将历史光伏发电功率值和天空图像作为输入，利用多层感知器、卷积神经网络和长短期记忆模型三种不同的体系结构，建立短期预测模型，从而实现对 1 分钟后光伏发电功率的预测，结果表明，基于 LSTM 模型的预测精度最高。

Oct, 2018

本文针对研究低轨道物体受热层密度影响，提出优化以 Space Environment Technologies（SET）为基础的 $F_{10.7cm}$ 预测的方法，使用神经网络集成、多层感知器和长短期记忆等模型，其中最佳模型为组合多步预测和动态预测的集成方法，相较于基线，均方根误差相对提升在 45% 至 55% 间。

Jun, 2023

本文提出了一种融合卷积神经网络和循环神经网络的 CNN-RNN 结构，使用来自地理网格多个点的气象数据和风电场的时间信息进行日前风电预测，并在全球预测中取得了较好的结果，与传统模型相比，更好的实现了空间特征提取。

Jan, 2023

提出 SolNet: 一种新颖的、通用的、多变量的太阳能发电预报模型，通过使用来自 PVGIS 的丰富合成数据进行迁移学习，然后在观测数据上进行微调，解决了太阳能预测中数据匮乏的挑战，并通过荷兰、澳大利亚和比利时的实际生产数据展示了其在预测性能上的优势。

May, 2024