《IEEE Transactions on Image Processing》:Short-term photovoltaic output prediction based on spatial downscaling NWP data and CNN-iTransformer-LSTM model
编辑推荐:
为提升短期光伏功率出力预测的精度,并解决气象预报数据空间分辨率不足以及模型泛化能力弱等问题,研究人员提出了一种融合空间降尺度气象数据与卷积神经网络(CNN)-iTransformer-长短期记忆网络(LSTM)模型的预测方法。首先,采用雾凇优化随机森林回归算法
为提升短期光伏功率出力预测的精度,并解决气象预报数据空间分辨率不足以及模型泛化能力弱等问题,研究人员提出了一种融合空间降尺度气象数据与卷积神经网络(CNN)-iTransformer-长短期记忆网络(LSTM)模型的预测方法。首先,采用雾凇优化随机森林回归算法(RIME-RF)对数值天气预报(NWP)数据进行空间降尺度,以提高其局部适用性。其次,构建了一个CNN-iTransformer-LSTM混合预测模型。该模型利用CNN作为空间特征提取器捕捉气象数据中的局部模式,采用iTransformer建模多个变量之间的全局依赖关系,并借助LSTM增强对短期时序动态特征的学习,从而实现对多尺度特征的高效协同挖掘。最后,使用中国河北省某光伏电站在不同季节和天气条件下的实际数据进行实验。结果表明,该模型在均方根误差(RMSE)、平均绝对误差(MAE)和R2指标上均优于对比模型,即使在阴雨等复杂天气条件下也能保持较高的预测精度和稳定性。降尺度过程进一步提升了预测性能,验证了该方法的有效性和实用性。
在全球能源转型的背景下,光伏发电容量持续增长,但其出力具有间歇性、波动性和随机性,对电力系统的安全稳定运行构成严峻挑战。现有研究存在两方面主要问题:一是气象数据(尤其是数值天气预报NWP数据)空间分辨率不足,导致局部辐照度预测不准;二是预测模型泛化能力弱,在复杂天气(如阴雨天)下精度显著下降。为此,研究人员提出了一种融合空间降尺度NWP数据与CNN-iTransformer-LSTM混合模型的高精度短期光伏出力预测方法。该研究利用中国河北省某光伏电站2018年7月至2019年6月共12维时间序列数据(风速、风向、温度、气压、地理位置及实时功率等,时间分辨率为15分钟),通过季节和天气类型划分场景,按时间顺序划分训练集、验证集和测试集,系统验证了模型性能。研究结果表明,所提模型在均方根误差(RMSE)、平均绝对误差(MAE)和决定系数(R
2)上全面优于对比模型(LSTM、CNN、CNN-LSTM、iTransformer),在阴雨天仍保持高精度;空间降尺度过程进一步优化了预测误差。该研究为高比例可再生能源电网的稳定运行提供了技术支撑,论文发表在《IEEE Transactions on Image Processing》。
研究人员为开展研究用到以下几个主要关键技术方法:(1)基于雾凇优化算法(RIME)改进的随机森林回归(RIME-RF)空间降尺度模型,通过建立低分辨率NWP数据与高分辨率局地气象观测数据(LMD)之间的非线性映射,提升NWP数据的局部适用性;(2)CNN-iTransformer-LSTM混合预测模型,其中CNN作为局部特征提取器捕获时序中的短期模式,iTransformer通过转置输入将每个特征变量的完整时间序列作为独立令牌(Token),在变量维度应用自注意力机制建模全局依赖关系,LSTM进一步捕捉长短期时序动态特征,实现多尺度协同挖掘;(3)基于季节和天气类型的场景划分策略,按时间顺序划分训练、验证和测试集,避免数据泄露,评估模型泛化能力。数据来源于中国河北某光伏电站,时间分辨率15分钟,样本覆盖春夏秋冬四季及晴、阴、雨三种天气。
**4.3 空间降尺度模型有效性验证**:通过RIME-RF降尺度模型拟合低分辨率NWP数据与高分辨率LMD数据,训练集和测试集的散点密度图显示数据点紧密聚集在拟合线附近,表明模型有效捕捉了非线性关系。将降尺度前后的NWP数据分别输入CNN-iTransformer-LSTM模型进行预测对比,如表2所示,降尺度后RMSE、MAE均降低,R
2升高,证明降尺度过程提升了NWP数据的空间精度,减少了系统偏差,从而提高预测性能。
**4.4.1 不同季节下的模型预测精度对比**:在冬季、春季、夏季和秋季四个季节中,CNN-iTransformer-LSTM模型的RMSE、MAE和R
2均优于LSTM、CNN、CNN-LSTM和iTransformer模型。例如,冬季RMSE较次优模型降低31.1%,R
2达0.9823;春季RMSE降低26.0%,R
2达0.9832;夏季RMSE降低19.8%,R
2达0.9142;秋季RMSE降低34.8%,R
2达0.9860。结果表明该模型具有强季节适应性和性能优势。
**4.4.2 不同天气类型下的模型预测精度对比**:在晴天、阴天和雨天三种天气条件下,CNN-iTransformer-LSTM模型均表现最优。晴天RMSE为0.0556,较次优模型(LSTM和CNN-LSTM)降低17.8%,R
2达0.9762;阴天RMSE为0.0608,较次优模型(LSTM)降低23.3%,R
2达0.9484;雨天RMSE为0.0470,较次优模型(LSTM)降低28.9%,R
2达0.9576,是唯一R
2超过0.95的模型。结果表明该模型在复杂天气下具有强抗干扰能力和鲁棒性。
**附录A 消融实验**:通过移除CNN、iTransformer或LSTM模块构建简化模型,比较性能。完整模型的RMSE、MAE和R
2均最优,移除iTransformer导致性能下降最显著,移除LSTM次之,移除CNN下降相对较小,证实三个模块(CNN局部特征提取、iTransformer全局依赖建模、LSTM时序动态建模)均不可或缺,三层架构设计合理。
**附录B 可解释性研究**:采用SHAP(Shapley加法解释)和偏依赖图(PDP)分析模型决策。SHAP全局重要性排序显示历史功率特征(power_t-1)贡献最大,气象变量中直接辐射(nwp_directirrad_t-1)重要性高于全球辐射;PDP表明高直接辐射和全球辐射组合下预测功率最高,与物理规律一致,验证了iTransformer模块建模多变量依赖的有效性。
**附录C 过拟合验证**:通过训练集、测试集和验证集的密度散点图及损失曲线分析。测试集R
2达0.98466,训练集R
2为0.98954,验证集R
2为0.97935,三者高度一致;训练和验证损失曲线同步下降并收敛,无验证损失上升迹象,表明模型未过拟合,泛化能力强。
总结讨论部分:研究人员指出尽管结果令人满意,但仍存在局限性。第一,模型仅基于中国河北一个光伏电站(温带季风气候)的数据验证,对热带、干旱或海洋性气候区域的泛化性需进一步研究。第二,混合模型计算复杂度较高,在资源受限系统上的实时应用效率需评估。第三,空间降尺度模块的有效性依赖于高分辨率局地气象数据(LMD)的可获取性。未来工作方向包括:融合多源气象数据(如卫星云图、地基全天空成像仪);引入频域分解(小波变换WT、经验模态分解EMD)处理非平稳特性;在不同气候区域收集数据并采用迁移学习提升跨站点泛化性;通过知识蒸馏或神经架构搜索实现模型轻量化。研究结论翻译如下:本文针对光伏发电出力的间歇性和波动性,结合数值天气预报(NWP)数据与深度学习技术,提出一种融合空间降尺度气象数据与CNN-iTransformer-LSTM模型的高精度短期光伏功率出力预测方法。通过系统性的数据预处理、多尺度特征分析、模型构建与优化以及降尺度处理,显著提升了预测精度和鲁棒性。主要结论如下:(1)空间降尺度有效增强了NWP数据的局部适用性。基于RIME-RF回归算法的降尺度方法使低分辨率NWP数据接近高分辨率局地气象观测数据,显著提高数据质量,减少系统偏差,并进一步提升预测模型对局地气象变化的精度和敏感性。(2)所提出的CNN-iTransformer-LSTM混合模型在光伏功率预测中表现优异。该模型融合了CNN的局部特征提取能力、iTransformer的全局依赖建模能力以及LSTM的长短期时序分析能力,在不同季节和天气条件下均优于对比模型(LSTM、CNN、CNN-LSTM、iTransformer),尤其在阴雨天等复杂天气条件下保持了高预测精度和稳定性。